論文の概要: Rotation-Invariant Local-to-Global Representation Learning for 3D Point Cloud

• arxiv url: http://arxiv.org/abs/2010.03318v4
• Date: Wed, 31 Mar 2021 04:39:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-09 23:38:52.716169
• Title: Rotation-Invariant Local-to-Global Representation Learning for 3D Point Cloud
• Title（参考訳）: 3次元点雲の回転不変局所対グローバル表現学習
• Authors: Seohyun Kim, Jaeyoo Park, Bohyung Han
• Abstract要約: 本稿では,3次元点クラウドデータに対する局所的-言語的表現学習アルゴリズムを提案する。 本モデルは,グラフ畳み込みニューラルネットワークに基づく多レベル抽象化を利用する。 提案アルゴリズムは,3次元物体の回転認識とセグメント化のベンチマークにおいて,最先端の性能を示す。
• 参考スコア（独自算出の注目度）: 42.86112554931754
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a local-to-global representation learning algorithm for 3D point cloud data, which is appropriate to handle various geometric transformations, especially rotation, without explicit data augmentation with respect to the transformations. Our model takes advantage of multi-level abstraction based on graph convolutional neural networks, which constructs a descriptor hierarchy to encode rotation-invariant shape information of an input object in a bottom-up manner. The descriptors in each level are obtained from a neural network based on a graph via stochastic sampling of 3D points, which is effective in making the learned representations robust to the variations of input data. The proposed algorithm presents the state-of-the-art performance on the rotation-augmented 3D object recognition and segmentation benchmarks, and we further analyze its characteristics through comprehensive ablative experiments.
• Abstract（参考訳）: 本研究では,様々な幾何学的変換,特に回転を扱うのに適した3次元点クラウドデータの局所的対グローバル表現学習アルゴリズムを提案する。 このモデルでは,グラフ畳み込みニューラルネットワークをベースとした多層抽象モデルを用いて,入力対象の回転不変形状情報をボトムアップ的に符号化する記述子階層を構築している。 各レベルの記述子は、3Dポイントの確率的なサンプリングを通してグラフに基づいてニューラルネットワークから取得され、学習された表現を入力データのバリエーションに頑健にするのに有効である。 提案手法は3次元物体認識およびセグメンテーションベンチマークにおける最先端の性能を示し,その特性を包括的アブレーション実験により解析する。

関連論文リスト

• Masked Generative Extractor for Synergistic Representation and 3D Generation of Point Clouds [6.69660410213287]
  我々は,3次元表現学習と生成学習を深く統合する利点を探るため,Point-MGEと呼ばれる革新的なフレームワークを提案する。 形状分類において、Point-MGEはModelNet40データセットで94.2%(+1.0%)、ScanObjectNNデータセットで92.9%(+5.5%)の精度を達成した。 また,非条件条件と条件条件条件条件の両方で,Point-MGEが高品質な3D形状を生成可能であることを確認した。
  論文  参考訳（メタデータ） (2024-06-25T07:57:03Z)
• Self-supervised Learning of Rotation-invariant 3D Point Set Features using Transformer and its Self-distillation [3.1652399282742536]
  本稿では,オブジェクトレベルでの高精度かつ回転不変な3次元点集合特徴を取得するための,自己教師付き学習フレームワークを提案する。 トークンを改良し,それを3次元点集合ごとに表現的回転不変の特徴に集約するために,自己認識機構を用いる。 提案アルゴリズムは,既存のアルゴリズムよりも高精度な回転不変の3次元点集合特徴を学習する。
  論文  参考訳（メタデータ） (2023-08-09T06:03:07Z)
• Category-Level 6D Object Pose Estimation with Flexible Vector-Based Rotation Representation [51.67545893892129]
  モノクロRGB-D画像からカテゴリレベルの6次元ポーズとサイズ推定のための新しい3次元グラフ畳み込みに基づくパイプラインを提案する。 まず,3次元グラフ畳み込みを用いた向き対応オートエンコーダの設計を行った。 そして, 回転情報を潜在特徴から効率的に復号化するために, フレキシブルなベクトルベースデコンポーザブルな回転表現を設計する。
  論文  参考訳（メタデータ） (2022-12-09T02:13:43Z)
• 3D Equivariant Graph Implicit Functions [51.5559264447605]
  局所的詳細のモデリングを容易にする同変層を持つグラフ暗黙関数の新しいファミリを導入する。 提案手法は,ShapeNet再構成作業において既存の回転同変暗黙関数を0.69から0.89に改善する。
  論文  参考訳（メタデータ） (2022-03-31T16:51:25Z)
• Spatially Invariant Unsupervised 3D Object Segmentation with Graph Neural Networks [23.729853358582506]
  本研究では,空間混合モデルとして点雲をモデル化するフレームワークSPAIR3Dを提案する。 変分オートエンコーダ(VAE)を用いて3次元の多目的表現とセグメンテーションを共同で学習する。 実験の結果,SPAIR3Dは外見情報のない可変物体を検出・分割できることがわかった。
  論文  参考訳（メタデータ） (2021-06-10T09:20:16Z)
• 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)
• Learning Local Neighboring Structure for Robust 3D Shape Representation [143.15904669246697]
  3Dメッシュの表現学習は多くのコンピュータビジョンやグラフィックスアプリケーションにおいて重要である。 局所構造認識型異方性畳み込み操作(LSA-Conv)を提案する。 本モデルでは,3次元形状復元において最先端の手法に比べて顕著な改善が得られた。
  論文  参考訳（メタデータ） (2020-04-21T13:40:03Z)
• A Rotation-Invariant Framework for Deep Point Cloud Analysis [132.91915346157018]
  ネットワーク入力時に一般的な3次元カルト座標を置き換えるために,新しい低レベル純粋回転不変表現を導入する。 また,これらの表現を特徴に組み込むネットワークアーキテクチャを提案し,点とその近傍の局所的関係とグローバルな形状構造を符号化する。 本手法は, 形状分類, 部分分割, 形状検索を含む多点雲解析タスクにおいて評価する。
  論文  参考訳（メタデータ） (2020-03-16T14:04:45Z)

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。