論文の概要: Orderly Disorder in Point Cloud Domain
- arxiv url: http://arxiv.org/abs/2008.09634v1
- Date: Fri, 21 Aug 2020 18:18:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-26 21:55:22.612115
- Title: Orderly Disorder in Point Cloud Domain
- Title(参考訳): ポイントクラウド領域における秩序障害
- Authors: Morteza Ghahremani, Bernard Tiddeman, Yonghuai Liu and Ardhendu Behera
- Abstract要約: 本稿では,秩序障害理論を用いた3次元モデル解析のための,スマートでシンプルなディープネットワークを提案する。
提案手法は,3次元物体内部の深いパターンを動的リンクによって抽出し,最も安定したパターンを求める。
本モデルでは, 消失段階の問題を緩和し, 動的リンク伝播を強化し, パラメータ数を著しく削減する。
- 参考スコア(独自算出の注目度): 25.36505222529359
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the real world, out-of-distribution samples, noise and distortions exist
in test data. Existing deep networks developed for point cloud data analysis
are prone to overfitting and a partial change in test data leads to
unpredictable behaviour of the networks. In this paper, we propose a smart yet
simple deep network for analysis of 3D models using `orderly disorder' theory.
Orderly disorder is a way of describing the complex structure of disorders
within complex systems. Our method extracts the deep patterns inside a 3D
object via creating a dynamic link to seek the most stable patterns and at
once, throws away the unstable ones. Patterns are more robust to changes in
data distribution, especially those that appear in the top layers. Features are
extracted via an innovative cloning decomposition technique and then linked to
each other to form stable complex patterns. Our model alleviates the
vanishing-gradient problem, strengthens dynamic link propagation and
substantially reduces the number of parameters. Extensive experiments on
challenging benchmark datasets verify the superiority of our light network on
the segmentation and classification tasks, especially in the presence of noise
wherein our network's performance drops less than 10% while the
state-of-the-art networks fail to work.
- Abstract(参考訳): 実世界では、分布外サンプル、ノイズ、歪みがテストデータに存在する。
ポイントクラウドデータ分析のために開発された既存のディープネットワークは、オーバーフィットしがちであり、テストデータの部分的な変更は、ネットワークの予測不能な振る舞いにつながる。
本稿では,「秩序障害」理論を用いた3次元モデル解析のための,スマートでシンプルな深層ネットワークを提案する。
秩序障害とは、複雑なシステム内の障害の複雑な構造を記述する方法である。
本手法は,3次元物体内部の深いパターンを動的リンクによって抽出し,最も安定なパターンを探索し,不安定なパターンを捨てる。
パターンはデータ分散の変化、特に上位層に現れる変化に対してより堅牢である。
特徴は革新的なクローニング分解技術によって抽出され、相互にリンクして安定な複雑なパターンを形成する。
本モデルでは, 消失段階の問題を緩和し, 動的リンク伝播を強化し, パラメータ数を著しく削減する。
挑戦的なベンチマークデータセットに関する広範な実験は、セグメンテーションと分類タスクにおいて、特に、最先端のネットワークが動作しない間、ネットワークのパフォーマンスが10%未満のノイズが存在する場合に、光ネットワークが優れていることを検証します。
関連論文リスト
- Spatial-Temporal Enhanced Transformer Towards Multi-Frame 3D Object
Detection [59.03596380773798]
我々は、DETRのようなパラダイムに基づいた、多フレーム3Dオブジェクト検出のための新しいエンドツーエンドフレームワークであるSTEMDを提案する。
具体的には、オブジェクト間の空間的相互作用と複雑な時間的依存をモデル化するために、空間的時間的グラフアテンションネットワークを導入する。
我々は,計算オーバーヘッドをわずかに加えるだけで,難解なシナリオに対処する手法の有効性を実証する。
論文 参考訳(メタデータ) (2023-07-01T13:53:14Z) - Do We Need an Encoder-Decoder to Model Dynamical Systems on Networks? [18.92828441607381]
埋め込みは観察によく適合するが、同時に誤った動的挙動を持つモデルを誘導することを示す。
2つの加法的ベクトル場成分をパラメトリした単純な埋め込み自由な代替法を提案する。
論文 参考訳(メタデータ) (2023-05-20T12:41:47Z) - Layer-wise Shared Attention Network on Dynamical System Perspective [69.45492795788167]
本稿では,複数のネットワーク層にまたがって単一の注目モジュールを共有するDIAユニットという,新規かつ簡易なフレームワークを提案する。
当社のフレームワークでは,パラメータコストはレイヤ数とは無関係であり,既存の自己注意モジュールの精度をさらに向上する。
論文 参考訳(メタデータ) (2022-10-27T13:24:08Z) - Latent Network Embedding via Adversarial Auto-encoders [15.656374849760734]
本稿では,逆グラフ自動エンコーダに基づく潜在ネットワーク埋め込みモデルを提案する。
この枠組みの下では、潜伏構造を発見する問題は、部分的な観測から潜伏関係を推測するものとして定式化されている。
論文 参考訳(メタデータ) (2021-09-30T16:49:46Z) - Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳(メタデータ) (2021-02-27T03:17:20Z) - Bayesian Nested Neural Networks for Uncertainty Calibration and Adaptive
Compression [40.35734017517066]
ネストネットワーク(Nested Network)またはスリムブルネットワーク(Slimmable Network)は、テスト期間中にアーキテクチャを即座に調整できるニューラルネットワークである。
最近の研究は、トレーニング中に重要なレイヤのノードを順序付けできる"ネストされたドロップアウト"層に焦点を当てている。
論文 参考訳(メタデータ) (2021-01-27T12:34:58Z) - On Robustness and Transferability of Convolutional Neural Networks [147.71743081671508]
現代の深層畳み込みネットワーク(CNN)は、分散シフトの下で一般化しないとしてしばしば批判される。
現代画像分類CNNにおける分布外と転送性能の相互作用を初めて検討した。
トレーニングセットとモデルサイズを増大させることで、分散シフトロバスト性が著しく向上することがわかった。
論文 参考訳(メタデータ) (2020-07-16T18:39:04Z) - The Heterogeneity Hypothesis: Finding Layer-Wise Differentiated Network
Architectures [179.66117325866585]
我々は、通常見過ごされる設計空間、すなわち事前定義されたネットワークのチャネル構成を調整することを検討する。
この調整は、拡張ベースラインネットワークを縮小することで実現でき、性能が向上する。
画像分類、視覚追跡、画像復元のための様々なネットワークとデータセットで実験を行う。
論文 参考訳(メタデータ) (2020-06-29T17:59:26Z) - Beyond Dropout: Feature Map Distortion to Regularize Deep Neural
Networks [107.77595511218429]
本稿では,ディープニューラルネットワークの中間層に関連する実験的なRademacher複雑性について検討する。
上記の問題に対処するための特徴歪み法(Disout)を提案する。
より高い試験性能を有するディープニューラルネットワークを作製するための特徴写像歪みの優位性を解析し、実証した。
論文 参考訳(メタデータ) (2020-02-23T13:59:13Z) - Neural Network Approximation of Graph Fourier Transforms for Sparse
Sampling of Networked Flow Dynamics [13.538871180763156]
水分配ネットワーク(WDN)は、複雑なカスケード力学を持つ大規模ネットワーククリティカルシステムであり、予測が難しい。
既存のアプローチでは、最小限の監視ポイントを見つけるために、多目的最適化を使用しているが、性能保証や理論的な枠組みが欠如している。
そこで我々はまず,ネットワーク汚染拡散ダイナミクスを圧縮し,本質的なデータ収集点を推論性能保証とともに同定するグラフフーリエ変換(GFT)演算子を開発した。
次に、自動エンコーダ(AE)にインスパイアされたニューラルネットワーク(NN)を構築し、GFTサンプリングプロセスを一般化し、初期からさらにアンダーサンプリングする。
論文 参考訳(メタデータ) (2020-02-11T20:18:37Z)
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。