論文の概要: Learning to Orient Surfaces by Self-supervised Spherical CNNs

• arxiv url: http://arxiv.org/abs/2011.03298v2
• Date: Fri, 13 Nov 2020 09:25:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-29 04:57:38.823289
• Title: Learning to Orient Surfaces by Self-supervised Spherical CNNs
• Title（参考訳）: 自己制御球面CNNによる配向面の学習
• Authors: Riccardo Spezialetti, Federico Stella, Marlon Marcon, Luciano Silva, Samuele Salti, Luigi Di Stefano
• Abstract要約: 3D表面の標準配向の定義と確実な発見は、多くのコンピュータビジョンとロボティクスアプリケーションにとって鍵となる。 点雲として表される曲面に対する頑健な正準方向の学習の実現可能性を示す。 提案手法は, 自己教師付き訓練手順により生データからこのような特徴マップを学習し, 入力点雲を学習正準方向に変換する回転を頑健に選択する。
• 参考スコア（独自算出の注目度）: 15.554429755106332
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Defining and reliably finding a canonical orientation for 3D surfaces is key to many Computer Vision and Robotics applications. This task is commonly addressed by handcrafted algorithms exploiting geometric cues deemed as distinctive and robust by the designer. Yet, one might conjecture that humans learn the notion of the inherent orientation of 3D objects from experience and that machines may do so alike. In this work, we show the feasibility of learning a robust canonical orientation for surfaces represented as point clouds. Based on the observation that the quintessential property of a canonical orientation is equivariance to 3D rotations, we propose to employ Spherical CNNs, a recently introduced machinery that can learn equivariant representations defined on the Special Orthogonal group SO(3). Specifically, spherical correlations compute feature maps whose elements define 3D rotations. Our method learns such feature maps from raw data by a self-supervised training procedure and robustly selects a rotation to transform the input point cloud into a learned canonical orientation. Thereby, we realize the first end-to-end learning approach to define and extract the canonical orientation of 3D shapes, which we aptly dub Compass. Experiments on several public datasets prove its effectiveness at orienting local surface patches as well as whole objects.
• Abstract（参考訳）: 3D表面の標準配向の定義と確実な発見は、多くのコンピュータビジョンとロボティクスアプリケーションにとって鍵となる。 この課題は、デザイナが独特で堅牢とみなす幾何学的手がかりを利用した手作りのアルゴリズムによって対処される。 しかし、人間は経験から3dオブジェクトの固有方向の概念を学び、機械も同様に行うかもしれないと推測できるかもしれない。 本研究では,点雲として表される曲面のロバストな正準配向を学習する可能性を示す。 正準方向の四角形特性が3次元回転に等しくなるという観測に基づいて,最近導入された特殊直交群 SO(3) に定義された同変表現を学習可能な球状CNNを提案する。 具体的には、球面相関は3次元回転を定義する特徴写像を計算する。 提案手法は, 自己教師付き訓練手順により生データからこのような特徴マップを学習し, 入力点雲を学習正準方向に変換する回転を頑健に選択する。 そこで我々は,3次元形状の標準方向を定義し,抽出するための,最初のエンドツーエンド学習アプローチを実現する。 いくつかの公開データセットの実験では、局所的な表面パッチと全体オブジェクトの向き付けの有効性が証明されている。

関連論文リスト

• Learning SO(3)-Invariant Semantic Correspondence via Local Shape Transform [62.27337227010514]
  RISTと呼ばれる局所形状変換を用いた自己教師型回転不変3次元対応学習システムを提案する。 RISTは、挑戦的なクラス内変分と任意の向きの下でも、形状間の密接な対応を確立することを学ぶ。 RISTは、任意の回転点雲対に与えられる3D部分ラベル転送とセマンティックキーポイント転送の最先端性能を示す。
  論文  参考訳（メタデータ） (2024-04-17T08:09:25Z)
• ParaPoint: Learning Global Free-Boundary Surface Parameterization of 3D Point Clouds [52.03819676074455]
  ParaPointは、グローバルな自由境界面パラメータ化を実現するための教師なしのニューラルネットワークパイプラインである。 この研究は、グローバルマッピングと自由境界の両方を追求するニューラルポイントクラウドパラメータ化を調査する最初の試みである。
  論文  参考訳（メタデータ） (2024-03-15T14:35:05Z)
• 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)
• Rotation-Invariant Random Features Provide a Strong Baseline for Machine Learning on 3D Point Clouds [10.166033101890227]
  三次元点雲データの回転不変関数を簡易かつ汎用的に学習する手法を提案する。 我々は,本手法が汎用回転不変ニューラルネットワークの性能に適合し,性能に優れることを示す。
  論文  参考訳（メタデータ） (2023-07-27T20:18:11Z)
• SNAKE: Shape-aware Neural 3D Keypoint Field [62.91169625183118]
  形状復元には点雲から3Dキーポイントを検出することが重要である。 形状再構成は3次元キーポイント検出に有効か? 本稿では,形状認識型ニューラル3Dキーポイントフィールドに短いSNAKEという,教師なしの新たなパラダイムを提案する。
  論文  参考訳（メタデータ） (2022-06-03T17:58:43Z)
• ConDor: Self-Supervised Canonicalization of 3D Pose for Partial Shapes [55.689763519293464]
  ConDorは、完全および部分的な3次元点雲の3次元配向と位置を正準化することを学ぶ自己教師型手法である。 推測中,本手法は任意のポーズで完全あるいは部分的な3次元点の雲を抽出し,同変正則のポーズを出力する。
  論文  参考訳（メタデータ） (2022-01-19T18:57:21Z)
• Deep regression on manifolds: a 3D rotation case study [0.0]
  ユークリッド空間の任意の入力をこの多様体に写す微分可能函数は、適切な訓練を可能にするために満足すべきであることを示す。 3次元回転空間上の様々な微分可能写像と、写像の局所線型性の重要性に関する予想を比較する。 3x3行列のプロクルストーソノーマリゼーションに基づく写像は、一般的に考慮されたものの中で最良であることを示す。
  論文  参考訳（メタデータ） (2021-03-30T13:07:36Z)
• Concentric Spherical GNN for 3D Representation Learning [53.45704095146161]
  同心球面特徴写像を学習するための新しい多解畳み込みアーキテクチャを提案する。 当社の階層的アーキテクチャは、球内情報と球間情報の両方を組み込むための代替学習に基づいています。 回転データを用いた3次元分類作業における最先端性能向上へのアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2021-03-18T19:05:04Z)
• 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。