論文の概要: A Robust and Reliable Point Cloud Recognition Network Under Rigid Transformation

• arxiv url: http://arxiv.org/abs/2009.06903v2
• Date: Wed, 29 Dec 2021 03:10:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-18 06:14:46.560599
• Title: A Robust and Reliable Point Cloud Recognition Network Under Rigid Transformation
• Title（参考訳）: 剛体変換下におけるロバストで信頼性の高いクラウド認識ネットワーク
• Authors: Dongrui Liu, Chuanchuan Chen, Changqing Xu, Qi Cai, Lei Chu, Fei Wen, and Robert Caiming Qiu
• Abstract要約: 本稿では,任意の回転に対する様々な点雲認識モデルに柔軟に統合可能な自己輪郭変換法を提案する。 SCTはContour-Aware Transformation (CAT)を導入して効率的な回転と変換の不変性を提供する。 SCTは、任意の回転の下で、合成および実世界のベンチマークにおける効率と効率において、最先端のアプローチよりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 16.909931360302085
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Point cloud recognition is an essential task in industrial robotics and autonomous driving. Recently, several point cloud processing models have achieved state-of-the-art performances. However, these methods lack rotation robustness, and their performances degrade severely under random rotations, failing to extend to real-world scenarios with varying orientations. To this end, we propose a method named Self Contour-based Transformation (SCT), which can be flexibly integrated into various existing point cloud recognition models against arbitrary rotations. SCT provides efficient rotation and translation invariance by introducing Contour-Aware Transformation (CAT), which linearly transforms Cartesian coordinates of points to translation and rotation-invariant representations. We prove that CAT is a rotation and translation-invariant transformation based on the theoretical analysis. Furthermore, the Frame Alignment module is proposed to enhance discriminative feature extraction by capturing contours and transforming self contour-based frames into intra-class frames. Extensive experimental results show that SCT outperforms the state-of-the-art approaches under arbitrary rotations in effectiveness and efficiency on synthetic and real-world benchmarks. Furthermore, the robustness and generality evaluations indicate that SCT is robust and is applicable to various point cloud processing models, which highlights the superiority of SCT in industrial applications.
• Abstract（参考訳）: ポイントクラウド認識は、産業用ロボティクスと自動運転において不可欠なタスクである。 最近、いくつかのポイントクラウド処理モデルが最先端のパフォーマンスを達成した。 しかし、これらの手法は回転の堅牢性に欠けており、その性能はランダムな回転の下で著しく低下し、向きの異なる現実世界のシナリオにまで拡張できない。 そこで本研究では,任意の回転に対して,既存の様々な点クラウド認識モデルに柔軟に統合可能な,自己輪郭変換(sct)という手法を提案する。 sctは、点のデカルト座標を変換および回転不変表現に線形変換するcontour-aware transformation(cat)を導入することで、効率的な回転および変換不変性を提供する。 CATは理論解析に基づく回転・翻訳不変変換であることを示す。 さらに,このフレームアライメントモジュールは,輪郭を捕捉し,自己輪郭に基づくフレームをクラス内フレームに変換することにより,識別的特徴抽出を促進する。 総合的な実験結果から、SCTは、任意の回転の下で、合成および実世界のベンチマークにおける効率と効率において、最先端のアプローチよりも優れていることが示された。 さらに,SCTのロバスト性および一般性評価は,産業アプリケーションにおけるSCTの優位性を強調する様々なポイントクラウド処理モデルに適用可能であることを示す。

関連論文リスト

• PseudoNeg-MAE: Self-Supervised Point Cloud Learning using Conditional Pseudo-Negative Embeddings [55.55445978692678]
  PseudoNeg-MAEは,ポイントマスク自動エンコーダのグローバルな特徴表現を強化する,自己教師型学習フレームワークである。 PseudoNeg-MAE は ModelNet40 と ScanObjectNN のデータセット上で最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-09-24T07:57:21Z)
• DynaST: Dynamic Sparse Transformer for Exemplar-Guided Image Generation [56.514462874501675]
  本稿では,動的スパースアテンションに基づくトランスフォーマーモデルを提案する。 このアプローチの核心は、ある位置がフォーカスすべき最適なトークン数の変化をカバーすることに特化した、新しいダイナミックアテンションユニットです。 3つの応用、ポーズ誘導型人物画像生成、エッジベース顔合成、歪みのない画像スタイル転送の実験により、DynaSTは局所的な詳細において優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2022-07-13T11:12:03Z)
• ReF -- Rotation Equivariant Features for Local Feature Matching [30.459559206664427]
  本稿では,モデルアーキテクチャ自体に偏りを生じさせ,回転特異な特徴を生じさせる代替的補完的手法を提案する。 我々は, ステアブルCNNの高性能, 回転特異的カバレッジを全回転角に拡張できることを実証した。 本稿では,アンサンブル,ロバストな推定,ネットワークアーキテクチャのバリエーション,回転前処理の効果について詳細に分析する。
  論文  参考訳（メタデータ） (2022-03-10T07:36:09Z)
• ART-Point: Improving Rotation Robustness of Point Cloud Classifiers via Adversarial Rotation [89.47574181669903]
  本研究では, 点雲分類器の回転ロバスト性も, 対角訓練により得られることを示す。 具体的には、ART-Pointというフレームワークは、ポイントクラウドの回転を攻撃と見なしている。 最終的なロバストモデルに効率よく到達するために,高速なワンステップ最適化を提案する。
  論文  参考訳（メタデータ） (2022-03-08T07:20:16Z)
• TPC: Transformation-Specific Smoothing for Point Cloud Models [9.289813586197882]
  本稿では,意味的変換攻撃に対するポイントクラウドモデルの堅牢性を保証する,変換特異的な平滑化フレームワークTPCを提案する。 いくつかの一般的な3D変換の実験は、TPCが芸術の状態を著しく上回っていることを示している。
  論文  参考訳（メタデータ） (2022-01-30T05:41:50Z)
• CSformer: Bridging Convolution and Transformer for Compressive Sensing [65.22377493627687]
  本稿では,CNNからの詳細な空間情報を活用するためのハイブリッドフレームワークと,表現学習の強化を目的としたトランスフォーマーが提供するグローバルコンテキストを統合することを提案する。 提案手法は、適応的なサンプリングとリカバリからなるエンドツーエンドの圧縮画像センシング手法である。 実験により, 圧縮センシングにおける専用トランスアーキテクチャの有効性が示された。
  論文  参考訳（メタデータ） (2021-12-31T04:37:11Z)
• Attentive Rotation Invariant Convolution for Point Cloud-based Large Scale Place Recognition [11.433270318356675]
  本稿では,Attentive Rotation Invariant Convolution (ARIConv)を提案する。 クラウドスキャンを回転させた場合の大規模位置認識タスクにおいて,本モデルが最先端の性能を達成できることを実験的に実証した。
  論文  参考訳（メタデータ） (2021-08-29T09:10:56Z)
• Layer Pruning on Demand with Intermediate CTC [50.509073206630994]
  我々はコネクショニスト時間分類(CTC)に基づくASRの訓練と刈り取り方法を提案する。 本稿では,Transformer-CTCモデルをオンデマンドで様々な深さでプルーニングできることを示し,GPU上でのリアルタイム係数を0.005から0.002に改善した。
  論文  参考訳（メタデータ） (2021-06-17T02:40:18Z)
• Pose Discrepancy Spatial Transformer Based Feature Disentangling for Partial Aspect Angles SAR Target Recognition [11.552273102567048]
  本文は、合成開口レーダ(SAR)自動目標認識(ATR)のための新しいフレームワークであるDistSTNを提示する。 従来のSAR ATRアルゴリズムとは対照的に、DistSTNは非協調ターゲットのより困難な実用シナリオを検討している。 エンコーダデコーダ機構を用いて効率的な特徴抽出と認識を可能にする償却推論方式を開発する。
  論文  参考訳（メタデータ） (2021-03-07T11:47:34Z)
• Adjoint Rigid Transform Network: Task-conditioned Alignment of 3D Shapes [86.2129580231191]
  Adjoint Rigid Transform (ART) Networkは、さまざまな3Dネットワークと統合可能なニューラルネットワークモジュールである。 ARTは入力の形状を学習した標準方向に回転させることを学び、多くのタスクに欠かせない。 さらなる研究のために、コードと事前訓練されたモデルをリリースします。
  論文  参考訳（メタデータ） (2021-02-01T20:58:45Z)

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。