Fugu-MT 論文翻訳(概要): ODFNet: Using orientation distribution functions to characterize 3D point clouds

論文の概要: ODFNet: Using orientation distribution functions to characterize 3D point clouds

arxiv url: http://arxiv.org/abs/2012.04708v1
Date: Tue, 8 Dec 2020 19:54:20 GMT
ステータス: 処理完了
システム内更新日: 2021-05-16 21:42:57.529271
Title: ODFNet: Using orientation distribution functions to characterize 3D point clouds
Title（参考訳）: ODFNet: 配向分布関数を用いて3次元点雲を特徴づける
Authors: Yusuf H. Sahin, Alican Mertan, Gozde Unal
Abstract要約: 点まわりの点配向分布を利用して、点群の表現力のある局所近傍表現を得ます。新しい ODFNet モデルは ModelNet40 と ScanObjectNN データセットのオブジェクト分類における最先端の精度を実現する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Learning new representations of 3D point clouds is an active research area in 3D vision, as the order-invariant point cloud structure still presents challenges to the design of neural network architectures. Recent works explored learning either global or local features or both for point clouds, however none of the earlier methods focused on capturing contextual shape information by analysing local orientation distribution of points. In this paper, we leverage on point orientation distributions around a point in order to obtain an expressive local neighborhood representation for point clouds. We achieve this by dividing the spherical neighborhood of a given point into predefined cone volumes, and statistics inside each volume are used as point features. In this way, a local patch can be represented by not only the selected point's nearest neighbors, but also considering a point density distribution defined along multiple orientations around the point. We are then able to construct an orientation distribution function (ODF) neural network that involves an ODFBlock which relies on mlp (multi-layer perceptron) layers. The new ODFNet model achieves state-of the-art accuracy for object classification on ModelNet40 and ScanObjectNN datasets, and segmentation on ShapeNet S3DIS datasets.
Abstract（参考訳）: 3Dポイントクラウドの新しい表現を学ぶことは、3Dビジョンにおける活発な研究領域である。近年の研究では、グローバルあるいはローカルな特徴の学習や、ポイントクラウドの学習が研究されているが、以前の手法では、ポイントの局所的方向分布を分析することで、文脈的形状情報を捉えることに重点を置いていなかった。本稿では,点群に対する局所的近傍表現を得るために,点群周辺の点配向分布を利用する。与えられた点の球面近傍を予め定義された円錐体積に分割してこれを達成し、各体積内の統計を点特徴として用いる。このように、局所パッチは、選択された点の最も近い近傍だけでなく、点周辺の複数の方向に沿って定義された点密度分布も考慮して表現することができる。次に、mlp (multi-layer perceptron) 層に依存する ODFBlock を含む配向分布関数(ODF)ニューラルネットワークを構築することができる。新しいODFNetモデルは、ModelNet40およびScanObjectNNデータセットのオブジェクト分類とShapeNet S3DISデータセットのセグメンテーションの最先端の精度を達成する。

関連論文リスト

Mini-PointNetPlus: a local feature descriptor in deep learning model for 3d environment perception [7.304195370862869]
そこで我々は,PointNet へのプラグイン・アンド・プレイの代替として,新しいローカル機能記述子 mini-PointNetPlus を提案する。我々の基本的な考え方は、データポイントを考慮された個々の特徴に別々に投影することであり、それぞれが置換不変となる。提案する記述子の特徴を十分に活用するため,3次元知覚の性能向上実験を行った。
論文参考訳（メタデータ） (2023-07-25T07:30:28Z)
Object Detection in 3D Point Clouds via Local Correlation-Aware Point Embedding [0.0]
Frustum PointNet(F-PointNet)に基づく点クラウドデータにおける3次元物体検出のための改良されたアプローチを提案する。提案手法は,従来のF-PointNetと比較し,計算点の特徴のある点近傍について検討する。
論文参考訳（メタデータ） (2023-01-11T18:14:47Z)
Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud Analysis [66.49788145564004]
我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
論文参考訳（メタデータ） (2022-12-17T15:05:25Z)
PointAttN: You Only Need Attention for Point Cloud Completion [89.88766317412052]
ポイント・クラウド・コンプリート(Point cloud completion)とは、部分的な3次元ポイント・クラウドから3次元の形状を完成させることである。そこで我々は,kNNを除去するために,ポイントクラウドをポイント単位に処理する新しいニューラルネットワークを提案する。提案するフレームワークであるPointAttNはシンプルで簡潔で効果的であり、3次元形状の構造情報を正確に捉えることができる。
論文参考訳（メタデータ） (2022-03-16T09:20:01Z)
CpT: Convolutional Point Transformer for 3D Point Cloud Processing [10.389972581905]
CpT: Convolutional Point Transformer - 3Dポイントクラウドデータの非構造化の性質を扱うための新しいディープラーニングアーキテクチャ。 CpTは、既存の注目ベースのConvolutions Neural Networksと、以前の3Dポイントクラウド処理トランスフォーマーの改善である。我々のモデルは、既存の最先端のアプローチと比較して、様々なポイントクラウド処理タスクの効果的なバックボーンとして機能する。
論文参考訳（メタデータ） (2021-11-21T17:45:55Z)
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)
Spherical Interpolated Convolutional Network with Distance-Feature Density for 3D Semantic Segmentation of Point Clouds [24.85151376535356]
従来のグリッド形状の3次元畳み込み演算子を置き換えるために,球面補間畳み込み演算子を提案する。提案手法は,ScanNetデータセットとParis-Lille-3Dデータセットで良好な性能を示す。
論文参考訳（メタデータ） (2020-11-27T15:35:12Z)
Deep Positional and Relational Feature Learning for Rotation-Invariant Point Cloud Analysis [107.9979381402172]
点雲解析のための回転不変深層ネットワークを提案する。ネットワークは階層的であり、位置的特徴埋め込みブロックと関係的特徴埋め込みブロックという2つのモジュールに依存している。実験では、ベンチマークデータセット上で最先端の分類とセグメンテーション性能を示す。
論文参考訳（メタデータ） (2020-11-18T04:16:51Z)
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)
DH3D: Deep Hierarchical 3D Descriptors for Robust Large-Scale 6DoF Relocalization [56.15308829924527]
生の3D点から直接3次元特徴の検出と記述を共同で学習するシームズネットワークを提案する。 3次元キーポイントを検出するために,局所的な記述子の識別性を教師なしで予測する。各種ベンチマーク実験により,本手法はグローバルポイントクラウド検索とローカルポイントクラウド登録の両面で競合する結果が得られた。
論文参考訳（メタデータ） (2020-07-17T20:21:22Z)
PV-RCNN: Point-Voxel Feature Set Abstraction for 3D Object Detection [76.30585706811993]
我々はPointVoxel-RCNN(PV-RCNN)という新しい高性能な3Dオブジェクト検出フレームワークを提案する。提案手法は3次元ボクセル畳み込みニューラルネットワーク(CNN)とPointNetベースの集合抽象化の両方を深く統合する。 3DボクセルCNNの効率的な学習と高品質な提案と、PointNetベースのネットワークのフレキシブル・レセプティブ・フィールドを利用する。
論文参考訳（メタデータ） (2019-12-31T06:34:10Z)

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。