論文の概要: PointMixup: Augmentation for Point Clouds

• arxiv url: http://arxiv.org/abs/2008.06374v1
• Date: Fri, 14 Aug 2020 13:57:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-30 17:28:36.141282
• Title: PointMixup: Augmentation for Point Clouds
• Title（参考訳）: PointMixup: Point Cloudsの拡張
• Authors: Yunlu Chen, Vincent Tao Hu, Efstratios Gavves, Thomas Mensink, Pascal Mettes, Pengwan Yang and Cees G.M. Snoek
• Abstract要約: 本稿では,2つの点群間の経路関数を最適に割り当てることで,新しい例を生成するPointMixupを紹介する。 ポイントクラウド分類におけるPointMixupの可能性を示す。
• 参考スコア（独自算出の注目度）: 65.61212404598524
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper introduces data augmentation for point clouds by interpolation between examples. Data augmentation by interpolation has shown to be a simple and effective approach in the image domain. Such a mixup is however not directly transferable to point clouds, as we do not have a one-to-one correspondence between the points of two different objects. In this paper, we define data augmentation between point clouds as a shortest path linear interpolation. To that end, we introduce PointMixup, an interpolation method that generates new examples through an optimal assignment of the path function between two point clouds. We prove that our PointMixup finds the shortest path between two point clouds and that the interpolation is assignment invariant and linear. With the definition of interpolation, PointMixup allows to introduce strong interpolation-based regularizers such as mixup and manifold mixup to the point cloud domain. Experimentally, we show the potential of PointMixup for point cloud classification, especially when examples are scarce, as well as increased robustness to noise and geometric transformations to points. The code for PointMixup and the experimental details are publicly available.
• Abstract（参考訳）: 本稿では,実例間の補間による点雲のデータ増大について述べる。 補間によるデータ拡張は、画像領域においてシンプルで効果的なアプローチであることが示されている。 しかし、このような混合は2つの異なる対象の点の間に1対1の対応がないため、点雲に直接移動はできない。 本稿では,点雲間のデータ増大を最短経路線形補間として定義する。 そこで本研究では,2点間の経路関数を最適に割り当てることで,新しい例を生成する補間手法であるPointMixupを紹介する。 点混合は二つの点雲の間の最短経路を見つけ、補間が代入不変かつ線型であることを証明する。 補間の定義により、pointmixupは、mixup や manifold mixupのような強力な補間ベースの正則化子をpoint cloudドメインに導入できる。 実験では, 点群分類における点混合の可能性, 特に例が少ない場合, 雑音に対する頑健性, 点への幾何学的変換の増大を示す。 PointMixupのコードと実験の詳細は公開されている。

関連論文リスト

• P2P-Bridge: Diffusion Bridges for 3D Point Cloud Denoising [81.92854168911704]
  私たちは、Diffusion Schr"odingerブリッジをポイントクラウドに適応させる新しいフレームワークを通じて、ポイントクラウドを飾るタスクに取り組みます。 オブジェクトデータセットの実験では、P2P-Bridgeは既存のメソッドよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2024-08-29T08:00:07Z)
• PIVOT-Net: Heterogeneous Point-Voxel-Tree-based Framework for Point Cloud Compression [8.778300313732027]
  異種クラウド圧縮(PCC)フレームワークを提案する。 私たちは、典型的なポイントクラウド表現 -- ポイントベース、ボクセルベース、ツリーベース表現 -- と関連するバックボーンを統一します。 本稿では,デコードのためのコンテキスト対応アップサンプリングと,機能集約のための拡張ボクセルトランスフォーマーによりフレームワークを増強する。
  論文  参考訳（メタデータ） (2024-02-11T16:57:08Z)
• Point2Point : A Framework for Efficient Deep Learning on Hilbert sorted Point Clouds with applications in Spatio-Temporal Occupancy Prediction [0.0]
  ヒルベルト空間充填曲線によって誘導される局所性保存1次元秩序として点雲を表現する新しい手法を提案する。 また、Hilbert分類のポイントクラウドで効果的に学習できるニューラルネットワークであるPoint2Pointを紹介します。
  論文  参考訳（メタデータ） (2023-06-28T15:30:08Z)
• HybridFusion: LiDAR and Vision Cross-Source Point Cloud Fusion [15.94976936555104]
  我々はHybridFusionと呼ばれるクロスソース点雲融合アルゴリズムを提案する。 アウトドアの大きなシーンでは、異なる視角から、ソース間の密集点雲を登録することができる。 提案手法は,定性的,定量的な実験を通じて総合的に評価される。
  論文  参考訳（メタデータ） (2023-04-10T10:54:54Z)
• PointPatchMix: Point Cloud Mixing with Patch Scoring [58.58535918705736]
  我々は、パッチレベルでポイントクラウドを混合し、混合ポイントクラウドのコンテンツベースターゲットを生成するPointPatchMixを提案する。 パッチスコアリングモジュールは、事前学習した教師モデルから、コンテンツに基づく重要度スコアに基づいて目標を割り当てる。 Point-MAE をベースラインとして,ScanObjectNN では86.3%,ModelNet40 では94.1% の精度で,従来の手法をかなり上回りました。
  論文  参考訳（メタデータ） (2023-03-12T14:49:42Z)
• Efficient Graph Field Integrators Meet Point Clouds [59.27295475120132]
  点雲を符号化するグラフ上での効率的な場積分のためのアルゴリズムを2種類提案する。 第1のクラスであるSeparatorFactorization(SF)は、ポイントメッシュグラフの有界属を利用するが、第2のクラスであるRFDiffusion(RFD)は、ポイントクラウドの一般的なepsilon-nearest-neighborグラフ表現を使用する。
  論文  参考訳（メタデータ） (2023-02-02T08:33:36Z)
• IDEA-Net: Dynamic 3D Point Cloud Interpolation via Deep Embedding Alignment [58.8330387551499]
  我々は、点方向軌跡(すなわち滑らかな曲線)の推定として問題を定式化する。 本稿では,学習した時間的一貫性の助けを借りて問題を解消する,エンドツーエンドのディープラーニングフレームワークであるIDEA-Netを提案する。 各種点群における本手法の有効性を実証し, 定量的かつ視覚的に, 最先端の手法に対する大幅な改善を観察する。
  論文  参考訳（メタデータ） (2022-03-22T10:14:08Z)
• PCAM: Product of Cross-Attention Matrices for Rigid Registration of Point Clouds [79.99653758293277]
  PCAMは、キー要素がクロスアテンション行列のポイントワイズ積であるニューラルネットワークである。 そこで本研究では,PCAMがステップ(a)とステップ(b)をディープネットを介して共同で解決する手法によって,最先端の成果が得られることを示す。
  論文  参考訳（メタデータ） (2021-10-04T09:23:27Z)
• PointManifoldCut: Point-wise Augmentation in the Manifold for Point Clouds [2.756263525080896]
  本稿では,ニューラルネットワークの組込み点を置き換える混合拡張手法であるPointManifoldCutを提案する。 実験の結果,提案手法はポイントクラウドの分類とセグメンテーションにおいて,競争力のある性能を提供することがわかった。
  論文  参考訳（メタデータ） (2021-09-15T14:31:42Z)
• DeepCLR: Correspondence-Less Architecture for Deep End-to-End Point Cloud Registration [12.471564670462344]
  この研究は、ディープニューラルネットワークを用いたポイントクラウド登録の問題に対処する。 重なり合うデータ内容を持つ2つの点雲間のアライメントを予測する手法を提案する。 提案手法は,最先端の精度と比較手法の最低実行時間を実現する。
  論文  参考訳（メタデータ） (2020-07-22T08:20:57Z)

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。