論文の概要: Rethinking PointNet Embedding for Faster and Compact Model

• arxiv url: http://arxiv.org/abs/2007.15855v2
• Date: Thu, 8 Oct 2020 07:07:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-04 06:38:30.746241
• Title: Rethinking PointNet Embedding for Faster and Compact Model
• Title（参考訳）: 高速かつコンパクトなモデルのためのpointnet埋め込みの再考
• Authors: Teppei Suzuki, Keisuke Ozawa, Yusuke Sekikawa
• Abstract要約: ハイパフォーマンスセンサーの最近の開発に対するリアルタイム推論は、PointNetを含む既存のニューラルネットワークベースの手法では依然として困難である。 我々は、ポイントネットの埋め込み関数をガウスカーネルによるソフト指標関数に置き換えることで、ポイントワイド埋め込みの計算コストを削減する。 実験では,ガウスカーネルを用いたモデルでは,ベースライン法に匹敵する結果が得られたが,1サンプルあたりの浮動小数点演算は最大92%削減された。
• 参考スコア（独自算出の注目度）: 11.189570497811706
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: PointNet, which is the widely used point-wise embedding method and known as a universal approximator for continuous set functions, can process one million points per second. Nevertheless, real-time inference for the recent development of high-performing sensors is still challenging with existing neural network-based methods, including PointNet. In ordinary cases, the embedding function of PointNet behaves like a soft-indicator function that is activated when the input points exist in a certain local region of the input space. Leveraging this property, we reduce the computational costs of point-wise embedding by replacing the embedding function of PointNet with the soft-indicator function by Gaussian kernels. Moreover, we show that the Gaussian kernels also satisfy the universal approximation theorem that PointNet satisfies. In experiments, we verify that our model using the Gaussian kernels achieves comparable results to baseline methods, but with much fewer floating-point operations per sample up to 92% reduction from PointNet.
• Abstract（参考訳）: PointNetは、広く使われているポイントワイド埋め込みメソッドで、連続集合関数の普遍近似として知られ、毎秒100万ポイントを処理できる。 それでも、最近の高性能センサー開発に対するリアルタイム推論は、PointNetを含む既存のニューラルネットワークベースの手法では依然として難しい。 通常の場合、ポイントネットの埋め込み関数は、入力空間の特定の局所領域に入力ポイントが存在するときに活性化されるソフト指標関数のように振る舞う。 この特性を活かし、ポイントネットの埋め込み関数をガウス核のソフトインジケータ関数に置き換えることで、ポイントワイズ埋め込みの計算コストを削減する。 さらに、ガウス核もまた、PointNetが満足する普遍近似定理を満たすことを示す。 実験では,gaussian kernelを用いたモデルがベースライン法に匹敵する結果が得られたが,サンプルあたりの浮動小数点演算は,pointnetから最大92%削減された。

関連論文リスト

• Promises and Pitfalls of the Linearized Laplace in Bayesian Optimization [73.80101701431103]
  線形化ラプラス近似(LLA)はベイズニューラルネットワークの構築に有効で効率的であることが示されている。 ベイズ最適化におけるLLAの有用性について検討し,その性能と柔軟性を強調した。
  論文  参考訳（メタデータ） (2023-04-17T14:23:43Z)
• Object Detection in 3D Point Clouds via Local Correlation-Aware Point Embedding [0.0]
  Frustum PointNet(F-PointNet)に基づく点クラウドデータにおける3次元物体検出のための改良されたアプローチを提案する。 提案手法は,従来のF-PointNetと比較し,計算点の特徴のある点近傍について検討する。
  論文  参考訳（メタデータ） (2023-01-11T18:14:47Z)
• PointNorm: Dual Normalization is All You Need for Point Cloud Analysis [0.7971699294672281]
  サンプリンググループ化作業の後に新しいDualNormモジュールを導入し,不規則性問題に効果的かつ効率的に対処する。 デュアルノーム加群は、サンプリングされた点に対する群点の正規化を行う点正規化と、サンプリングされた点からグループ化された点への逆点正規化からなる。
  論文  参考訳（メタデータ） (2022-07-13T16:24:47Z)
• PointNeXt: Revisiting PointNet++ with Improved Training and Scaling Strategies [85.14697849950392]
  我々は、モデルトレーニングとスケーリング戦略の体系的な研究を通じて、古典的なPointNet++を再考する。 我々は、PointNet++のパフォーマンスを大幅に改善する一連の改善されたトレーニング戦略を提案する。 我々は,効率的なモデルスケーリングを実現するために,逆ボトルネック設計と分離可能なPointNet++を紹介した。
  論文  参考訳（メタデータ） (2022-06-09T17:59:54Z)
• Training Certifiably Robust Neural Networks with Efficient Local Lipschitz Bounds [99.23098204458336]
  認証された堅牢性は、安全クリティカルなアプリケーションにおいて、ディープニューラルネットワークにとって望ましい性質である。 提案手法は,MNISTおよびTinyNetデータセットにおける最先端の手法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2021-11-02T06:44:10Z)
• CoFiNet: Reliable Coarse-to-fine Correspondences for Robust Point Cloud Registration [35.57761839361479]
  CoFiNet (Coarse-to-Fine Network) - キーポイント検出なしで、粗から細まで階層的な対応を抽出する。 我々のモデルは、近傍の点が重なり合うダウンサンプリングノードと一致することを学習する。 点対応は、密度適応マッチングモジュールによって対応するパッチの重複領域から洗練される。
  論文  参考訳（メタデータ） (2021-10-26T23:05:00Z)
• Random Features for the Neural Tangent Kernel [57.132634274795066]
  完全接続型ReLUネットワークのニューラルタンジェントカーネル(NTK)の効率的な特徴マップ構築を提案する。 得られた特徴の次元は、理論と実践の両方で比較誤差境界を達成するために、他のベースライン特徴マップ構造よりもはるかに小さいことを示しています。
  論文  参考訳（メタデータ） (2021-04-03T09:08:12Z)
• SOE-Net: A Self-Attention and Orientation Encoding Network for Point Cloud based Place Recognition [50.9889997200743]
  我々は、自己アテンション・指向性符号化ネットワーク(SOE-Net)を用いて、ポイントクラウドデータから位置認識する問題に取り組む。 SOE-Netは、ポイント間の関係を完全に探求し、長距離コンテキストをポイントワイドなローカル記述子に組み込む。 様々なベンチマークデータセットの実験では、現在の最先端アプローチよりも提案したネットワークの性能が優れていることが示されている。
  論文  参考訳（メタデータ） (2020-11-24T22:28:25Z)
• RPM-Net: Robust Point Matching using Learned Features [79.52112840465558]
  RPM-Netは、より敏感で、より堅牢なディープラーニングベースのアプローチである。 既存の方法とは異なり、我々のRPM-Netは、部分的な可視性を備えた対応や点雲の欠如を処理します。
  論文  参考訳（メタデータ） (2020-03-30T13:45:27Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。