論文の概要: Unsupervised 3D Learning for Shape Analysis via Multiresolution Instance Discrimination

• arxiv url: http://arxiv.org/abs/2008.01068v2
• Date: Fri, 12 Mar 2021 02:49:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-03 07:07:47.015182
• Title: Unsupervised 3D Learning for Shape Analysis via Multiresolution Instance Discrimination
• Title（参考訳）: マルチレゾリューションインスタンス識別による形状解析のための教師なし3次元学習
• Authors: Peng-Shuai Wang, Yu-Qi Yang, Qian-Fang Zou, Zhirong Wu, Yang Liu, Xin Tong
• Abstract要約: 異なる形状解析タスクのための汎用的で効率的な形状符号化ネットワークを学習するための教師なし手法を提案する。 我々は,オクツリーに基づく畳み込みニューラルネットワークにHR-Netを適用し,形状と点の特徴を共同で符号化する。 提案手法は,特に小さなラベル付きデータセットを持つタスクにおいて,教師付き手法に対する競合性能を実現する。
• 参考スコア（独自算出の注目度）: 27.976848222058187
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Although unsupervised feature learning has demonstrated its advantages to reducing the workload of data labeling and network design in many fields, existing unsupervised 3D learning methods still cannot offer a generic network for various shape analysis tasks with competitive performance to supervised methods. In this paper, we propose an unsupervised method for learning a generic and efficient shape encoding network for different shape analysis tasks. The key idea of our method is to jointly encode and learn shape and point features from unlabeled 3D point clouds. For this purpose, we adapt HR-Net to octree-based convolutional neural networks for jointly encoding shape and point features with fused multiresolution subnetworks and design a simple-yet-efficient Multiresolution Instance Discrimination (MID) loss for jointly learning the shape and point features. Our network takes a 3D point cloud as input and output both shape and point features. After training, the network is concatenated with simple task-specific back-end layers and fine-tuned for different shape analysis tasks. We evaluate the efficacy and generality of our method and validate our network and loss design with a set of shape analysis tasks, including shape classification, semantic shape segmentation, as well as shape registration tasks. With simple back-ends, our network demonstrates the best performance among all unsupervised methods and achieves competitive performance to supervised methods, especially in tasks with a small labeled dataset. For fine-grained shape segmentation, our method even surpasses existing supervised methods by a large margin.
• Abstract（参考訳）: 教師なしの特徴学習は、多くの分野においてデータラベリングやネットワーク設計の作業負荷を減らすという利点を示しているが、教師なしの3D学習手法は、教師付き手法と競合する性能を持つ様々な形状解析タスクのための汎用的なネットワークを提供することはできない。 本稿では,異なる形状解析タスクのための汎用的で効率的な形状符号化ネットワークを学習するための教師なし手法を提案する。 この手法の重要なアイデアは,ラベルのない3dポイントクラウドから形状と点の特徴を共同でエンコードし,学習することである。 そこで本研究では, hr-netをoctreeベースの畳み込みニューラルネットワークに適用し, 形状と点の特徴を融合マルチレゾリューションサブネットワークで符号化し, 形状と点の特徴を協調的に学習するために, 単純イット効率の高いマルチレゾリューションインスタンス識別 (mid) 損失を設計する。 私たちのネットワークは3Dポイントクラウドを入力として、形状と点の特徴の両方を出力します。 トレーニング後、ネットワークは単純なタスク固有のバックエンド層に結合され、異なる形状分析タスクのために微調整される。 提案手法の有効性と汎用性を評価し, 形状分類, 意味的形状分割, 形状登録タスクを含む一連の形状解析タスクを用いて, ネットワークと損失設計の有効性を評価する。 単純なバックエンドで、ネットワークは教師なしのメソッドの中で最高のパフォーマンスを示し、特にラベル付きデータセットを持つタスクにおいて教師付きメソッドとの競合性能を達成する。 きめ細かな形状のセグメンテーションでは,既存の教師あり手法を大きなマージンで超えている。

関連論文リスト

• PointeNet: A Lightweight Framework for Effective and Efficient Point Cloud Analysis [28.54939134635978]
  PointeNetは、ポイントクラウド分析に特化したネットワークである。 本手法は,分類/分割ヘッドとシームレスに統合したり,市販の3Dオブジェクト検出ネットワークに埋め込んだりすることで,柔軟性を示す。 ModelNet40、ScanObjectNN、ShapeNet KITTI、およびシーンレベルのデータセットKITTIを含むオブジェクトレベルのデータセットの実験は、ポイントクラウド分析における最先端メソッドよりもPointeNetの方が優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2023-12-20T03:34:48Z)
• Clustering based Point Cloud Representation Learning for 3D Analysis [80.88995099442374]
  本稿では,ポイントクラウド分析のためのクラスタリングに基づく教師付き学習手法を提案する。 現在のデファクトでシーンワイドなトレーニングパラダイムとは異なり、我々のアルゴリズムは点埋め込み空間上でクラス内のクラスタリングを行う。 我々のアルゴリズムは、有名なポイントクラウドセグメンテーションデータセットの顕著な改善を示している。
  論文  参考訳（メタデータ） (2023-07-27T03:42:12Z)
• Prototype-Aware Heterogeneous Task for Point Cloud Completion [35.47134205562422]
  ポイントクラウド補完は、部分的なポイントクラウドから元の形状情報を復元することを目的としている。 既存の方法は通常標準形状の完成に成功し、非標準形状の点雲の局所的な詳細を生成できない。 本研究では,クラス内形状表現の助けを借りて,標準形・非標準形を識別する効果的な手法を設計する。
  論文  参考訳（メタデータ） (2022-09-05T02:43:06Z)
• SurFit: Learning to Fit Surfaces Improves Few Shot Learning on Point Clouds [48.61222927399794]
  SurFitは3次元形状分割ネットワークのラベルを効率的に学習するための単純な手法である。 3次元形状の表面を幾何学的プリミティブに分解する自己指導型タスクに基づいている。
  論文  参考訳（メタデータ） (2021-12-27T23:55:36Z)
• Point Discriminative Learning for Unsupervised Representation Learning on 3D Point Clouds [54.31515001741987]
  3次元点雲上での教師なし表現学習のための点識別学習法を提案する。 我々は、中間レベルとグローバルレベルの特徴に新しい点識別損失を課すことにより、これを達成した。 提案手法は強力な表現を学習し,新しい最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-08-04T15:11:48Z)
• Learn to Learn Metric Space for Few-Shot Segmentation of 3D Shapes [17.217954254022573]
  メタラーニングに基づく3次元形状分割手法を提案する。 本稿では,ShapeNet部データセットにおける提案手法の優れた性能を,既存のベースラインや最先端の半教師手法と比較し,いくつかのシナリオで示す。
  論文  参考訳（メタデータ） (2021-07-07T01:47:00Z)
• Primal-Dual Mesh Convolutional Neural Networks [62.165239866312334]
  本稿では,グラフ・ニューラル・ネットワークの文献からトライアングル・メッシュへ引き起こされた原始双対のフレームワークを提案する。 提案手法は,3次元メッシュのエッジと顔の両方を入力として特徴付け,動的に集約する。 メッシュ単純化の文献から得られたツールを用いて、我々のアプローチに関する理論的知見を提供する。
  論文  参考訳（メタデータ） (2020-10-23T14:49:02Z)
• Neural Subdivision [58.97214948753937]
  本稿では,データ駆動型粗粒度モデリングの新しいフレームワークであるNeural Subdivisionを紹介する。 すべてのローカルメッシュパッチで同じネットワーク重みのセットを最適化するため、特定の入力メッシュや固定属、カテゴリに制約されないアーキテクチャを提供します。 単一の高分解能メッシュでトレーニングしても,本手法は新規な形状に対して合理的な区分を生成する。
  論文  参考訳（メタデータ） (2020-05-04T20:03:21Z)
• SSN: Shape Signature Networks for Multi-class Object Detection from Point Clouds [96.51884187479585]
  点雲から形状情報を探索する新しい3次元形状シグネチャを提案する。 対称, 凸船体, チェビシェフフィッティングの操作を取り入れることで, 提案した形状のシグ・ナチュアはコンパクトで有効であるだけでなく, 騒音にも頑健である。 実験により,提案手法は2つの大規模データセット上の既存手法よりも著しく優れた性能を示した。
  論文  参考訳（メタデータ） (2020-04-06T16:01:41Z)

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。