論文の概要: Sparse Convolutions on Continuous Domains for Point Cloud and Event Stream Networks

• arxiv url: http://arxiv.org/abs/2012.01170v1
• Date: Wed, 2 Dec 2020 13:05:02 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-25 03:58:33.137336
• Title: Sparse Convolutions on Continuous Domains for Point Cloud and Event Stream Networks
• Title（参考訳）: ポイントクラウドとイベントストリームネットワークのための連続ドメイン上のスパース畳み込み
• Authors: Dominic Jack, Frederic Maire, Simon Denman, Anders Eriksson
• Abstract要約: 本稿では,ポイントクラウドやイベントストリームのような非構造化連続データに対する畳み込み演算子のエレガントなスパース行列に基づく解釈を提案する。 これらの操作で構築されたネットワークは、既存の方法よりも桁違いに高速にトレーニングできることを示す。 また、演算子をイベントストリーム処理に適用し、数十万のイベントのストリームで複数のタスクで最先端の結果を達成する。
• 参考スコア（独自算出の注目度）: 14.664758777845572
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image convolutions have been a cornerstone of a great number of deep learning advances in computer vision. The research community is yet to settle on an equivalent operator for sparse, unstructured continuous data like point clouds and event streams however. We present an elegant sparse matrix-based interpretation of the convolution operator for these cases, which is consistent with the mathematical definition of convolution and efficient during training. On benchmark point cloud classification problems we demonstrate networks built with these operations can train an order of magnitude or more faster than top existing methods, whilst maintaining comparable accuracy and requiring a tiny fraction of the memory. We also apply our operator to event stream processing, achieving state-of-the-art results on multiple tasks with streams of hundreds of thousands of events.
• Abstract（参考訳）: 画像畳み込み(image convolutions)は、コンピュータビジョンにおける多くの深層学習の基盤となっている。 しかし、研究コミュニティはまだ、ポイントクラウドやイベントストリームのような、スパースで構造化されていない連続データに対する同等のオペレーターに落ち着きはない。 本稿では,これらの場合における畳み込み演算子のエレガントなスパース行列に基づく解釈について述べる。 ベンチマークポイントクラウドの分類問題では、これらの操作で構築されたネットワークは、同等の精度を維持しながら、メモリのごく一部を必要としながら、既存のメソッドよりも桁違い以上の速度でトレーニングすることができる。 また、演算子をイベントストリーム処理に適用し、数十万のイベントのストリームで複数のタスクで最先端の結果を達成する。

関連論文リスト

• PARTIME: Scalable and Parallel Processing Over Time with Deep Neural Networks [68.96484488899901]
  PartIMEは、データが継続的にストリーミングされるたびにニューラルネットワークを高速化するように設計されたライブラリです。 PartIMEは、ストリームから利用可能になった時点で、各データサンプルの処理を開始する。 オンライン学習において、PartialIMEと古典的な非並列ニューラル計算を経験的に比較するために実験が行われる。
  論文  参考訳（メタデータ） (2022-10-17T14:49:14Z)
• Sampling Streaming Data with Parallel Vector Quantization -- PVQ [0.0]
  本稿では,データストリームのクラス不均衡を大幅に低減するベクトル量子化に基づくサンプリング手法を提案する。 並列処理、バッチ処理、ランダムにサンプルを選択するモデルを構築しました。 本手法により,データストリームの事前処理により,分類モデルの精度が向上することを示す。
  論文  参考訳（メタデータ） (2022-10-04T17:59:44Z)
• Centroids Matching: an efficient Continual Learning approach operating in the embedding space [15.705568893476947]
  破滅的な忘れ(CF)は、ニューラルネットワークが、異なる分布からサンプルのセットをトレーニングしながら、以前に学んだ情報を失うときに起こる。 本稿では,ニューラルネットワークが生成する特徴空間を演算することでCFと戦う,Centroids Matchingと呼ばれる新しい正規化手法を提案する。
  論文  参考訳（メタデータ） (2022-08-03T13:17:16Z)
• CloudAttention: Efficient Multi-Scale Attention Scheme For 3D Point Cloud Learning [81.85951026033787]
  この作業にトランスフォーマーをセットし、それらを形状分類と部分およびシーンセグメンテーションのための階層的なフレームワークに組み込む。 また、各イテレーションにおけるサンプリングとグループ化を活用して、効率的でダイナミックなグローバルなクロスアテンションを計算します。 提案した階層モデルは,最先端の形状分類を平均精度で達成し,従来のセグメンテーション法と同等の結果を得る。
  論文  参考訳（メタデータ） (2022-07-31T21:39:15Z)
• Self-Supervised Arbitrary-Scale Point Clouds Upsampling via Implicit Neural Representation [79.60988242843437]
  そこで本研究では,自己監督型および倍率フレキシブルな点雲を同時にアップサンプリングする手法を提案する。 実験結果から, 自己教師あり学習に基づく手法は, 教師あり学習に基づく手法よりも, 競争力や性能が向上することが示された。
  論文  参考訳（メタデータ） (2022-04-18T07:18:25Z)
• Improving the performance of bagging ensembles for data streams through mini-batching [9.418151228755834]
  機械学習アプリケーションは、データが連続データストリームの形式で収集される動的な環境に対処する必要がある。 ストリーム処理アルゴリズムには、計算資源とデータ進化への適応性に関する追加の要件がある。 本稿では,マルチコア環境におけるストリームマイニングのための複数のアンサンブルアルゴリズムのメモリアクセス局所性と性能を向上するミニバッチ方式を提案する。
  論文  参考訳（メタデータ） (2021-12-18T03:44:07Z)
• How Well Do Sparse Imagenet Models Transfer? [75.98123173154605]
  転送学習は、大規模な"上流"データセットで事前訓練されたモデルが、"下流"データセットで良い結果を得るために適応される古典的なパラダイムである。 本研究では、ImageNetデータセットでトレーニングされた畳み込みニューラルネットワーク(CNN)のコンテキストにおいて、この現象を詳細に調査する。 スパースモデルでは, 高空間であっても, 高密度モデルの転送性能にマッチしたり, 性能に優れることを示す。
  論文  参考訳（メタデータ） (2021-11-26T11:58:51Z)
• Differentiable Convolution Search for Point Cloud Processing [114.66038862207118]
  本稿では,点雲上での新しい差分畳み込み探索パラダイムを提案する。 純粋にデータ駆動型であり、幾何学的形状モデリングに適した畳み込みのグループを自動生成することができる。 また,内部畳み込みと外部アーキテクチャの同時探索のための共同最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-29T14:42:03Z)
• Deep Parametric Continuous Convolutional Neural Networks [92.87547731907176]
  Parametric Continuous Convolutionは、非グリッド構造化データ上で動作する、新たな学習可能な演算子である。 室内および屋外シーンの点雲セグメンテーションにおける最先端技術よりも顕著な改善が見られた。
  論文  参考訳（メタデータ） (2021-01-17T18:28:23Z)

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。