論文の概要: Deeper or Wider Networks of Point Clouds with Self-attention?

• arxiv url: http://arxiv.org/abs/2011.14285v1
• Date: Sun, 29 Nov 2020 05:03:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-07 08:57:50.093227
• Title: Deeper or Wider Networks of Point Clouds with Self-attention?
• Title（参考訳）: 自己注意を伴う点雲のより深い、より広いネットワーク?
• Authors: Haoxi Ran, Li Lu
• Abstract要約: 本稿では,ネットワーク構築のための基本ブロックとしてグループワイド自己アテンションを提案する。 SepNetは、グループ内の任意の点の重み付けされた特徴の和に基づいて、グループの特徴を計算する。 SepNetは, 幅や深さの増大により, 分類やセグメンテーションにおいて, 余分な精度が得られるという実証的証拠を示す。
• 参考スコア（独自算出の注目度）: 2.4367113675470553
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Prevalence of deeper networks driven by self-attention is in stark contrast to underexplored point-based methods. In this paper, we propose groupwise self-attention as the basic block to construct our network: SepNet. Our proposed module can effectively capture both local and global dependencies. This module computes the features of a group based on the summation of the weighted features of any point within the group. For convenience, we generalize groupwise operations to assemble this module. To further facilitate our networks, we deepen and widen SepNet on the tasks of segmentation and classification respectively, and verify its practicality. Specifically, SepNet achieves state-of-the-art for the tasks of classification and segmentation on most of the datasets. We show empirical evidence that SepNet can obtain extra accuracy in classification or segmentation from increased width or depth, respectively.
• Abstract（参考訳）: セルフ・アテンションによる深いネットワークの普及は、未熟なポイントベース手法とは全く対照的である。 本稿では,ネットワーク構築のための基本ブロックとしてグループ的自己意識を提案する: SepNet。 提案モジュールは,ローカルおよびグローバル両方の依存関係を効果的にキャプチャする。 このモジュールは、グループ内の任意の点の重み付けされた特徴の和に基づいて、グループの特徴を計算する。 利便性のため、このモジュールを組み立てるためにグループ操作を一般化する。 ネットワークをさらに促進するため、セグメンテーションと分類のタスクについてSepNetを深く拡張し、その実用性を検証する。 特にsepnetは、ほとんどのデータセットの分類とセグメンテーションのタスクの最先端を実現する。 SepNetは, 幅や深さの増大により, 分類やセグメンテーションの精度が向上することを示す。

関連論文リスト

• Deep Structure and Attention Aware Subspace Clustering [29.967881186297582]
  本稿では,新しいサブスペースクラスタリング(DSASC)を提案する。 視覚変換器を用いて特徴を抽出し,抽出した特徴を2つの部分,構造特徴,内容特徴に分割する。 我々の手法は最先端の手法を著しく上回っている。
  論文  参考訳（メタデータ） (2023-12-25T01:19:47Z)
• Panoptic Out-of-Distribution Segmentation [11.388678390784195]
  連立画素レベルのセマンティック・イン・ディストリビューションとインスタンス予測を用いたアウト・オブ・ディストリビューション分類のためのパノプティカル・アウト・オブ・ディストリビューションを提案する。 データセット、コード、トレーニングされたモデルをhttp://pods.cs.uni-freiburg.deで公開しています。
  論文  参考訳（メタデータ） (2023-10-18T08:38:31Z)
• Augmenting Convolutional networks with attention-based aggregation [55.97184767391253]
  我々は,非局所的推論を実現するために,注目に基づくグローバルマップを用いた畳み込みネットワークの強化方法を示す。 この学習集約層を2つのパラメータ(幅と深さ)でパラメータ化した単純パッチベースの畳み込みネットワークで接続する。 これは、特にメモリ消費の点で、精度と複雑さの間の驚くほど競争力のあるトレードオフをもたらす。
  論文  参考訳（メタデータ） (2021-12-27T14:05:41Z)
• Learning Inner-Group Relations on Point Clouds [6.497926259296279]
  グループ関係アグリゲータと呼ばれるスケーラブルで効率的なモジュールを提案する。 加群は、幾何学的関係と意味的関係によって重み付けられた内群点の特徴の集合に基づいて群の特徴を計算する。 分類とセグメント化のタスクに基づいて,深さと幅の両面でRPNetの拡張性を検証する。
  論文  参考訳（メタデータ） (2021-08-27T19:29:05Z)
• SOE-Net: A Self-Attention and Orientation Encoding Network for Point Cloud based Place Recognition [50.9889997200743]
  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。
  論文  参考訳（メタデータ） (2020-11-24T22:28:25Z)
• Weakly-Supervised Semantic Segmentation via Sub-category Exploration [73.03956876752868]
  我々は、オブジェクトの他の部分に注意を払うために、ネットワークを強制する単純で効果的なアプローチを提案する。 具体的には、画像の特徴をクラスタリングして、アノテーション付き親クラスごとに擬似サブカテゴリラベルを生成する。 提案手法の有効性を検証し,提案手法が最先端手法に対して良好に機能することを示す。
  論文  参考訳（メタデータ） (2020-08-03T20:48:31Z)
• Graph Prototypical Networks for Few-shot Learning on Attributed Networks [72.31180045017835]
  グラフメタ学習フレームワーク - Graph Prototypeal Networks (GPN) を提案する。 GPNは、属性付きネットワーク上でテキストミータ学習を行い、ターゲット分類タスクを扱うための高度に一般化可能なモデルを導出する。
  論文  参考訳（メタデータ） (2020-06-23T04:13:23Z)
• SceneEncoder: Scene-Aware Semantic Segmentation of Point Clouds with A Learnable Scene Descriptor [51.298760338410624]
  本研究では,グローバル情報の効果を高めるために,シーン認識型ガイダンスを付加するSceneEncoderモジュールを提案する。 モジュールはシーン記述子を予測し、シーンに存在するオブジェクトのカテゴリを表現することを学習する。 また,同じラベルを持つ隣接点に対する特徴の識別を伝搬する領域類似度損失を設計する。
  論文  参考訳（メタデータ） (2020-01-24T16:53:30Z)
• Unifying Training and Inference for Panoptic Segmentation [111.44758195510838]
  本稿では,汎視的セグメンテーションのためのトレーニングと推論のギャップを埋めるエンド・ツー・エンドのネットワークを提案する。 本システムは,ResNet-50のバックボーンで61.4 PQを達成した,人気のストリートシーンデータセットであるCityscapesに新たなレコードを設定する。 当社のネットワークは柔軟にオブジェクトマスクのヒントなしで動作し、両方の設定下で競合的に動作します。
  論文  参考訳（メタデータ） (2020-01-14T18:58:24Z)

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。