Fugu-MT 論文翻訳(概要): Recalibration of Neural Networks for Point Cloud Analysis

論文の概要: Recalibration of Neural Networks for Point Cloud Analysis

arxiv url: http://arxiv.org/abs/2011.12888v1
Date: Wed, 25 Nov 2020 17:14:34 GMT
ステータス: 処理完了
システム内更新日: 2022-09-21 01:54:24.890617
Title: Recalibration of Neural Networks for Point Cloud Analysis
Title（参考訳）: 点雲解析のためのニューラルネットワークの校正
Authors: Ignacio Sarasua, Sebastian Poelsterl, Christian Wachinger
Abstract要約: 3Dポイントクラウドのためのディープニューラルネットワーク上での再校正モジュールを導入する。提案モジュールを3次元ポイントクラウド解析のための3つの最先端ネットワークに組み込むことで,提案モジュールのメリットと汎用性を実証する。第2の実験では,アルツハイマー病の診断における再校正ブロックの利点について検討した。
参考スコア（独自算出の注目度）: 3.7814216736076434
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Spatial and channel re-calibration have become powerful concepts in computer vision. Their ability to capture long-range dependencies is especially useful for those networks that extract local features, such as CNNs. While re-calibration has been widely studied for image analysis, it has not yet been used on shape representations. In this work, we introduce re-calibration modules on deep neural networks for 3D point clouds. We propose a set of re-calibration blocks that extend Squeeze and Excitation blocks and that can be added to any network for 3D point cloud analysis that builds a global descriptor by hierarchically combining features from multiple local neighborhoods. We run two sets of experiments to validate our approach. First, we demonstrate the benefit and versatility of our proposed modules by incorporating them into three state-of-the-art networks for 3D point cloud analysis: PointNet++, DGCNN, and RSCNN. We evaluate each network on two tasks: object classification on ModelNet40, and object part segmentation on ShapeNet. Our results show an improvement of up to 1% in accuracy for ModelNet40 compared to the baseline method. In the second set of experiments, we investigate the benefits of re-calibration blocks on Alzheimer's Disease (AD) diagnosis. Our results demonstrate that our proposed methods yield a 2% increase in accuracy for diagnosing AD and a 2.3% increase in concordance index for predicting AD onset with time-to-event analysis. Concluding, re-calibration improves the accuracy of point cloud architectures, while only minimally increasing the number of parameters.
Abstract（参考訳）: 空間的およびチャネル再調整はコンピュータビジョンにおいて強力な概念となっている。長距離依存関係をキャプチャする能力は、特にcnnのようなローカル機能を抽出するネットワークにとって有用である。画像解析には再校正が広く研究されているが、形状表現には使われていない。本研究では,深層ニューラルネットワークの3次元点雲に対する再校正モジュールを提案する。本研究では,複数の局所的近傍の機能を階層的に結合することにより,グローバルディスクリプタを構築する3dポイントクラウド解析のために,任意のネットワークに追加可能な再校正ブロックを提案する。アプローチを検証する実験を2セット実施しています。まず、提案モジュールを3Dポイントクラウド分析のための3つの最先端ネットワーク、PointNet++、DGCNN、RCCNNに組み込むことで、提案モジュールの利点と汎用性を実証する。 modelnet40のオブジェクト分類とshapenetのオブジェクト部分セグメンテーションの2つのタスクで各ネットワークを評価した。その結果,modelnet40の精度は,ベースライン法と比較して最大1%向上した。第2の実験では,アルツハイマー病(AD)診断における再校正ブロックの効果について検討した。提案手法は,ADを診断するための精度が2%向上し,時間-時間分析によるAD発症予測のためのコンセンサス指数が2.3%向上したことを示す。結論として、再校正はポイントクラウドアーキテクチャの精度を改善し、パラメータの数を最小限に増やすだけである。

関連論文リスト

PointeNet: A Lightweight Framework for Effective and Efficient Point Cloud Analysis [28.54939134635978]
PointeNetは、ポイントクラウド分析に特化したネットワークである。本手法は,分類/分割ヘッドとシームレスに統合したり,市販の3Dオブジェクト検出ネットワークに埋め込んだりすることで,柔軟性を示す。 ModelNet40、ScanObjectNN、ShapeNet KITTI、およびシーンレベルのデータセットKITTIを含むオブジェクトレベルのデータセットの実験は、ポイントクラウド分析における最先端メソッドよりもPointeNetの方が優れたパフォーマンスを示している。
論文参考訳（メタデータ） (2023-12-20T03:34:48Z)
Clustering based Point Cloud Representation Learning for 3D Analysis [80.88995099442374]
本稿では,ポイントクラウド分析のためのクラスタリングに基づく教師付き学習手法を提案する。現在のデファクトでシーンワイドなトレーニングパラダイムとは異なり、我々のアルゴリズムは点埋め込み空間上でクラス内のクラスタリングを行う。我々のアルゴリズムは、有名なポイントクラウドセグメンテーションデータセットの顕著な改善を示している。
論文参考訳（メタデータ） (2023-07-27T03:42:12Z)
Variational Relational Point Completion Network for Robust 3D Classification [59.80993960827833]
可変点雲補完法は、局所的な詳細を欠くため、大域的な形状の骨格を生成する傾向がある。本稿では2つの魅力的な特性を持つ変分フレームワークであるポイントコンプリートネットワーク(VRCNet)を提案する。 VRCNetは、現実世界のポイントクラウドスキャンにおいて、非常に一般化性と堅牢性を示している。
論文参考訳（メタデータ） (2023-04-18T17:03:20Z)
SVNet: Where SO(3) Equivariance Meets Binarization on Point Cloud Representation [65.4396959244269]
本論文は,3次元学習アーキテクチャを構築するための一般的なフレームワークを設計することによる課題に対処する。提案手法はPointNetやDGCNNといった一般的なバックボーンに適用できる。 ModelNet40、ShapeNet、および実世界のデータセットであるScanObjectNNの実験では、この手法が効率、回転、精度の間の大きなトレードオフを達成することを示した。
論文参考訳（メタデータ） (2022-09-13T12:12:19Z)
Structure Aware and Class Balanced 3D Object Detection on nuScenes Dataset [0.0]
NuTonomyのnuScenesデータセットは、KITTIのような一般的なデータセットを大きく拡張している。このモデルの局所化精度は、ダウンスケールされた特徴写像における空間情報の損失に影響される。本稿では,3次元点雲の構造情報をフル活用した補助ネットワークを設計することで,CBGSモデルの性能を向上させることを提案する。
論文参考訳（メタデータ） (2022-05-25T06:18:49Z)
A Conditional Point Diffusion-Refinement Paradigm for 3D Point Cloud Completion [69.32451612060214]
実スキャンされた3Dポイントクラウドはしばしば不完全であり、下流アプリケーションのために完全なポイントクラウドを復元することが重要である。ほとんどの既存のポイントクラウド補完方法は、トレーニングにチャンファー距離(CD)損失を使用する。本稿では,点雲完了のためのPDR(Point Diffusion-Refinement)パラダイムを提案する。
論文参考訳（メタデータ） (2021-12-07T06:59:06Z)
Learning point embedding for 3D data processing [2.12121796606941]
現在の点ベース法は本質的に空間関係処理ネットワークである。 PE-Netは高次元空間における点雲の表現を学習する。実験によると、PE-Netは複数の挑戦的なデータセットで最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2021-07-19T00:25:28Z)
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)
Refinement of Predicted Missing Parts Enhance Point Cloud Completion [62.997667081978825]
点雲完了は、部分的な観測から3次元形状の点集合表現を用いて完全な幾何学を予測するタスクである。従来のアプローチでは、不完全点集合によって供給されるエンコーダ・デコーダモデルにより、点雲全体を直接推定するニューラルネットワークが提案されていた。本稿では、欠落した幾何を計算し、既知の入力と予測点クラウドを融合することに焦点を当てたエンドツーエンドニューラルネットワークアーキテクチャを提案する。
論文参考訳（メタデータ） (2020-10-08T22:01:23Z)

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。