論文の概要: SOE-Net: A Self-Attention and Orientation Encoding Network for Point Cloud based Place Recognition

• arxiv url: http://arxiv.org/abs/2011.12430v2
• Date: Sun, 23 May 2021 11:37:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-21 13:36:40.585398
• Title: SOE-Net: A Self-Attention and Orientation Encoding Network for Point Cloud based Place Recognition
• Title（参考訳）: soe-net:ポイントクラウドに基づく位置認識のためのセルフアテンションと方向エンコーディングネットワーク
• Authors: Yan Xia, Yusheng Xu, Shuang Li, Rui Wang, Juan Du, Daniel Cremers, Uwe Stilla
• Abstract要約: 我々は、自己アテンション・指向性符号化ネットワーク(SOE-Net)を用いて、ポイントクラウドデータから位置認識する問題に取り組む。 SOE-Netは、ポイント間の関係を完全に探求し、長距離コンテキストをポイントワイドなローカル記述子に組み込む。 様々なベンチマークデータセットの実験では、現在の最先端アプローチよりも提案したネットワークの性能が優れていることが示されている。
• 参考スコア（独自算出の注目度）: 50.9889997200743
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We tackle the problem of place recognition from point cloud data and introduce a self-attention and orientation encoding network (SOE-Net) that fully explores the relationship between points and incorporates long-range context into point-wise local descriptors. Local information of each point from eight orientations is captured in a PointOE module, whereas long-range feature dependencies among local descriptors are captured with a self-attention unit. Moreover, we propose a novel loss function called Hard Positive Hard Negative quadruplet loss (HPHN quadruplet), that achieves better performance than the commonly used metric learning loss. Experiments on various benchmark datasets demonstrate superior performance of the proposed network over the current state-of-the-art approaches. Our code is released publicly at https://github.com/Yan-Xia/SOE-Net.
• Abstract（参考訳）: 本稿では,ポイントクラウドデータからの位置認識の問題に取り組み,ポイント間の関係を完全に探究し,長距離コンテキストをポイント毎の局所記述子に組み込むセルフアテンション・オリエンテーション符号化ネットワーク(soe-net)を導入する。 8つの方向からの各点の局所情報はpointoeモジュールでキャプチャされ、一方、ローカルディスクリプタ間の長距離特徴依存性はセルフアテンションユニットでキャプチャされる。 さらに,一般に使用されるメトリック学習の損失よりも優れた性能を実現する,ハード・ポジティブ・ハード・負四重項損失 (hphn quadruplet) と呼ばれる新しい損失関数を提案する。 様々なベンチマークデータセットにおける実験は、現在の最先端のアプローチよりも優れたネットワーク性能を示している。 私たちのコードはhttps://github.com/Yan-Xia/SOE-Net.comで公開されています。

関連論文リスト

• PointJEM: Self-supervised Point Cloud Understanding for Reducing Feature Redundancy via Joint Entropy Maximization [10.53900407467811]
  本稿では,ポイントクラウド分野に適用した自己教師付き表現学習手法であるPointJEMを提案する。 特徴の余分な情報を減らすために、PointJEMは異なる部分間の関節のエントロピーを最大化する。 PointJEMは、分類やセグメンテーションといった下流タスクにおける競合的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-12-06T08:21:42Z)
• Collect-and-Distribute Transformer for 3D Point Cloud Analysis [82.03517861433849]
  本稿では,点雲の短距離・長距離コンテキストを通信するための収集・分散機構を備えた新しい変圧器ネットワークを提案する。 その結果,提案したCDFormerの有効性が示され,ポイントクラウドの分類とセグメンテーションタスクにおける最先端のパフォーマンスがいくつか提供された。
  論文  参考訳（メタデータ） (2023-06-02T03:48:45Z)
• GaIA: Graphical Information Gain based Attention Network for Weakly Supervised Point Cloud Semantic Segmentation [2.796057369371464]
  本研究の目的は, エントロピーによって測定される不確実性を, 正確にセマンティックセグメンテーションのために低減することである。 信頼性情報に基づいて各点のエントロピーを緩和するGaIAと呼ばれるグラフィカル情報ゲインに基づくアテンションネットワークを提案する。 S3DISとScanNet-v2データセットの実験結果は、我々のフレームワークが既存の弱教師付き手法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-10-02T08:37:16Z)
• Location-Sensitive Visual Recognition with Cross-IOU Loss [177.86369890708457]
  本稿では,オブジェクト検出,インスタンスセグメンテーション,ポーズ推定のための位置感知ネットワーク (LSNet) という統合ソリューションを提案する。 ディープニューラルネットワークをバックボーンとして、LSNetは、ターゲットオブジェクトの形状を一緒に定義するアンカーポイントとランドマークのセットを予測します。
  論文  参考訳（メタデータ） (2021-04-11T02:17:14Z)
• FatNet: A Feature-attentive Network for 3D Point Cloud Processing [1.502579291513768]
  本稿では,グローバルポイントベースの機能とエッジベースの機能を組み合わせた,新たな機能指向ニューラルネットワーク層であるfat layerを提案する。 当社のアーキテクチャは,ModelNet40データセットで示すように,ポイントクラウド分類のタスクにおける最先端の成果を達成する。
  論文  参考訳（メタデータ） (2021-04-07T23:13:56Z)
• PC-RGNN: Point Cloud Completion and Graph Neural Network for 3D Object Detection [57.49788100647103]
  LiDARベースの3Dオブジェクト検出は、自動運転にとって重要なタスクです。 現在のアプローチでは、遠方および閉ざされた物体の偏りと部分的な点雲に苦しむ。 本稿では,この課題を2つの解決法で解決する新しい二段階アプローチ,pc-rgnnを提案する。
  論文  参考訳（メタデータ） (2020-12-18T18:06:43Z)
• Unsupervised Feedforward Feature (UFF) Learning for Point Cloud Classification and Segmentation [57.62713515497585]
  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。
  論文  参考訳（メタデータ） (2020-09-02T18:25:25Z)
• Dense-Resolution Network for Point Cloud Classification and Segmentation [42.316932316581635]
  DRNetは、異なる解像度でポイントクラウドからローカルポイント機能を学ぶように設計されている。 広く使われているポイントクラウドセグメンテーションと分類ベンチマークでネットワークを検証することに加えて、コンポーネントのパフォーマンスをテストし視覚化する。
  論文  参考訳（メタデータ） (2020-05-14T06:13:53Z)
• RPM-Net: Robust Point Matching using Learned Features [79.52112840465558]
  RPM-Netは、より敏感で、より堅牢なディープラーニングベースのアプローチである。 既存の方法とは異なり、我々のRPM-Netは、部分的な可視性を備えた対応や点雲の欠如を処理します。
  論文  参考訳（メタデータ） (2020-03-30T13:45:27Z)

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。