論文の概要: Unsupervised Feedforward Feature (UFF) Learning for Point Cloud Classification and Segmentation

• arxiv url: http://arxiv.org/abs/2009.01280v1
• Date: Wed, 2 Sep 2020 18:25:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-22 19:38:54.339856
• Title: Unsupervised Feedforward Feature (UFF) Learning for Point Cloud Classification and Segmentation
• Title（参考訳）: ポイントクラウド分類とセグメンテーションのための教師なしフィードフォワード特徴(UFF)学習
• Authors: Min Zhang, Pranav Kadam, Shan Liu, C. -C. Jay Kuo
• Abstract要約: 3次元点雲の連成分類とセグメンテーションのために,教師なしフィードフォワード特徴学習を提案する。 UFF法は、点雲セット内の点の統計的相関を利用して、1パスのフィードフォワード方式で形状と点の特徴を学習する。 エンコーダとローカルポイントでグローバルな形状の特徴を、エンコーダ-デコーダアーキテクチャを通して学習する。
• 参考スコア（独自算出の注目度）: 57.62713515497585
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In contrast to supervised backpropagation-based feature learning in deep neural networks (DNNs), an unsupervised feedforward feature (UFF) learning scheme for joint classification and segmentation of 3D point clouds is proposed in this work. The UFF method exploits statistical correlations of points in a point cloud set to learn shape and point features in a one-pass feedforward manner through a cascaded encoder-decoder architecture. It learns global shape features through the encoder and local point features through the concatenated encoder-decoder architecture. The extracted features of an input point cloud are fed to classifiers for shape classification and part segmentation. Experiments are conducted to evaluate the performance of the UFF method. For shape classification, the UFF is superior to existing unsupervised methods and on par with state-of-the-art DNNs. For part segmentation, the UFF outperforms semi-supervised methods and performs slightly worse than DNNs.
• Abstract（参考訳）: ディープニューラルネットワーク(DNN)における教師付きバックプロパゲーションに基づく特徴学習とは対照的に、3次元点雲の連成分類と分割のための教師なしフィードフォワード特徴学習スキームが提案されている。 uff法は、カスケードエンコーダ-デコーダアーキテクチャを介して1パスフィードフォワード方式で形状と点の特徴を学ぶために、ポイントクラウドセット内の点の統計的相関を利用する。 連結エンコーダ-デコーダアーキテクチャを通じて、エンコーダとローカルポイント機能を通じてグローバル形状の特徴を学習する。 入力点雲の抽出された特徴を、形状分類と部分分割のための分類器に供給する。 uff法の性能評価のために実験を行った。 形状分類では、UFFは既存の教師なし手法よりも優れ、最先端のDNNと同等である。 部分分割では、UFFは半教師付き手法より優れ、DNNよりも若干劣る。

関連論文リスト

• PointCMP: Contrastive Mask Prediction for Self-supervised Learning on Point Cloud Videos [58.18707835387484]
  本稿では,ポイントクラウドビデオ上での自己教師型学習のための対照的なマスク予測フレームワークを提案する。 PointCMPは、局所的情報と大域的情報の両方を同時に学習するために、2分岐構造を用いる。 我々のフレームワークは、ベンチマークデータセットにおける最先端のパフォーマンスを達成し、既存のフル教師付きデータセットよりも優れています。
  論文  参考訳（メタデータ） (2023-05-06T15:47:48Z)
• Learning Latent Part-Whole Hierarchies for Point Clouds [41.288934432615676]
  本稿では,ポイントクラウドセグメンテーションのための部分階層を明示的に学習するエンコーダ-デコーダスタイルの潜在変数モデルを提案する。 提案手法は,トップレベル部分分割だけでなく,ミドルレベル潜在部分分割においても,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2022-11-14T03:17:33Z)
• Upsampling Autoencoder for Self-Supervised Point Cloud Learning [11.19408173558718]
  人間のアノテーションを使わずに、ポイントクラウド学習のための自己教師付き事前学習モデルを提案する。 アップサンプリング操作は、ポイントクラウドの高レベルセマンティック情報と低レベル幾何情報の両方を捕捉することをネットワークに促す。 我々のUAEは、形状分類、部分分割、点雲アップサンプリングタスクにおいて、従来の最先端手法よりも優れています。
  論文  参考訳（メタデータ） (2022-03-21T07:20:37Z)
• Unsupervised Representation Learning for 3D Point Cloud Data [66.92077180228634]
  我々は、教師なしのポイントクラウド学習に対して、シンプルで効果的なアプローチを提案する。 特に、原点雲の優れたコントラストバージョンを生成する非常に有用な変換を同定する。 本研究では,3次元オブジェクト分類,形状部分分割,シーン分割の3つの下流タスクについて実験を行った。
  論文  参考訳（メタデータ） (2021-10-13T10:52:45Z)
• UPDesc: Unsupervised Point Descriptor Learning for Robust Registration [54.95201961399334]
  UPDescは、ロバストポイントクラウド登録のためのポイント記述子を学習するための教師なしの方法である。 学習した記述子は既存の教師なし手法よりも優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2021-08-05T17:11:08Z)
• 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)
• Omni-supervised Point Cloud Segmentation via Gradual Receptive Field Component Reasoning [41.83979510282989]
  提案した RFCR (Receptive Field Component Reasoning) を通したクラウドセグメンテーションに,最初のオムニスケール監視手法を導入する。 提案手法は,S3DIS と Semantic3D に対して新たな最先端性能を実現し,ScanNet ベンチマークの1位にランクインする。
  論文  参考訳（メタデータ） (2021-05-21T08:32:02Z)
• iffDetector: Inference-aware Feature Filtering for Object Detection [70.8678270164057]
  Inference-aware Feature Filtering (IFF)モジュールを導入し、現代の検出器と簡単に組み合わせることができる。 IFFは、畳み込み機能を強化するためにハイレベルなセマンティクスを活用することでクローズドループ最適化を行う。 IFFはCNNベースの物体検出器とプラグアンドプレイ方式で融合でき、計算コストのオーバーヘッドは無視できる。
  論文  参考訳（メタデータ） (2020-06-23T02:57:29Z)

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。