論文の概要: Learning Category-level Shape Saliency via Deep Implicit Surface Networks

• arxiv url: http://arxiv.org/abs/2012.07290v1
• Date: Mon, 14 Dec 2020 06:54:42 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-08 14:32:02.659974
• Title: Learning Category-level Shape Saliency via Deep Implicit Surface Networks
• Title（参考訳）: 深層表面ネットワークによるカテゴリーレベルの形状サリエンシの学習
• Authors: Chaozheng Wu, Lin Sun, Xun Xu, Kui Jia
• Abstract要約: 我々は、深い暗黙の表面ネットワークから、同じカテゴリの形状の例に対するサリエンシマップを学習する。 これらの特性を,サリエンシー計算の代替法との比較により検証する。 学習した形状の塩分を活用すれば,オブジェクト表面のカテゴリやインスタンス固有の部分のいずれかを再構築できることを示す。
• 参考スコア（独自算出の注目度）: 34.84779208726079
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This paper is motivated from a fundamental curiosity on what defines a category of object shapes. For example, we may have the common knowledge that a plane has wings, and a chair has legs. Given the large shape variations among different instances of a same category, we are formally interested in developing a quantity defined for individual points on a continuous object surface; the quantity specifies how individual surface points contribute to the formation of the shape as the category. We term such a quantity as category-level shape saliency or shape saliency for short. Technically, we propose to learn saliency maps for shape instances of a same category from a deep implicit surface network; sensible saliency scores for sampled points in the implicit surface field are predicted by constraining the capacity of input latent code. We also enhance the saliency prediction with an additional loss of contrastive training. We expect such learned surface maps of shape saliency to have the properties of smoothness, symmetry, and semantic representativeness. We verify these properties by comparing our method with alternative ways of saliency computation. Notably, we show that by leveraging the learned shape saliency, we are able to reconstruct either category-salient or instance-specific parts of object surfaces; semantic representativeness of the learned saliency is also reflected in its efficacy to guide the selection of surface points for better point cloud classification.
• Abstract（参考訳）: 本論文は,物体形状のカテゴリの定義に関する基本的な好奇心から動機付けられたものである。 例えば、飛行機には翼があり、椅子には脚があるという共通の知識があるかもしれない。 同じカテゴリの異なるインスタンス間の大きな形状のバリエーションを考えると、我々は、連続したオブジェクト表面上の個々の点に対して定義された量を開発することに正式に興味を持ち、その量は、個々の表面点がカテゴリとしての形状の形成にどのように寄与するかを特定する。 略して、カテゴリーレベルの形状塩分率または形状塩分率と表現する。 そこで,本研究では,入力潜時符号の容量を制限して,暗黙表面ネットワークから同一カテゴリの形状例を学習し,暗示表面のサンプル点に対する正解率スコアを推定する手法を提案する。 また, コントラストトレーニングの損失を増すことにより, 塩分予測も強化した。 このような形状サルジェンシーの学習された表面写像は、滑らかさ、対称性、意味的代表性の性質を持つと期待する。 本手法を代用塩分計算法と比較し,これらの特性を検証した。 特に, 学習した形状塩分率を利用して, 対象表面のカテゴリ塩分やインスタンス特有の部分の再構築が可能であること, 学習した塩分濃度のセマンティックな表現性も有効性に反映され, より優れた点雲分類のための表面点の選択を導出する。

関連論文リスト

• Neural varifolds: an aggregate representation for quantifying the geometry of point clouds [2.2474167740753557]
  本稿では,新しい表面形状特徴化,すなわち点雲のニューラルバリアフォールド表現を提案する。 変数表現は、多様体に基づく判別を通じて点雲の表面幾何学を定量化する。 提案したニューラルバリアフォールドは, 形状マッチング, 少数ショット形状分類, 形状再構成の3つの異なるタスクで評価される。
  論文  参考訳（メタデータ） (2024-07-05T20:08:16Z)
• 3D Shape Completion on Unseen Categories:A Weakly-supervised Approach [61.76304400106871]
  未確認のカテゴリから完全な形状を再構築するための、新しい弱教師付きフレームワークを導入する。 まず,各カテゴリから得られたデータを利用して粗い形状を推定する,エンドツーエンドの事前支援型形状学習ネットワークを提案する。 さらに, 粗い形状をさらに洗練させるために, 自己教師型形状改善モデルを提案する。
  論文  参考訳（メタデータ） (2024-01-19T09:41:09Z)
• Category-level Shape Estimation for Densely Cluttered Objects [94.64287790278887]
  そこで本研究では,密に散らばった物体のカテゴリレベルの形状推定手法を提案する。 我々のフレームワークは、多視点視覚情報融合によって、各オブジェクトをクラッタに分割する。 シミュレーション環境と実世界の実験から,本手法が高精度な形状推定を実現することが示された。
  論文  参考訳（メタデータ） (2023-02-23T13:00:17Z)
• Object Structural Points Representation for Graph-based Semantic Monocular Localization and Mapping [9.61301182502447]
  本稿では,単一分子意味論的SLAMシステムにおいて,対象の幾何学をランドマークとして用いるための,構造点に基づく効率的な表現法を提案する。 特に、ポーズグラフ内のランドマークノードに対して、オブジェクトの位置、向き、サイズ/スケールを格納する逆深さパラメトリゼーションを提案する。
  論文  参考訳（メタデータ） (2022-06-21T11:32:55Z)
• Improving Shape Awareness and Interpretability in Deep Networks Using Geometric Moments [0.0]
  画像分類のためのディープネットワークは、しばしばオブジェクトの形状よりもテクスチャ情報に依存している。 本稿では,幾何学的モーメントにインスパイアされたディープラーニングモデルを提案する。 標準画像分類データセットにおける本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2022-05-24T02:08:05Z)
• Continuous Surface Embeddings [76.86259029442624]
  我々は、変形可能な対象カテゴリーにおける密接な対応を学習し、表現するタスクに焦点をあてる。 本稿では,高密度対応の新たな学習可能な画像ベース表現を提案する。 提案手法は,人間の身近なポーズ推定のための最先端手法と同等以上の性能を示すことを示す。
  論文  参考訳（メタデータ） (2020-11-24T22:52:15Z)
• PatchNets: Patch-Based Generalizable Deep Implicit 3D Shape Representations [75.42959184226702]
  物体認識訓練のための中級パッチベースサーフェス表現を提案する。 形状や部分点雲の完全化など,新しい表現の応用例をいくつか紹介する。
  論文  参考訳（メタデータ） (2020-08-04T15:34:46Z)
• Unsupervised Learning of Category-Specific Symmetric 3D Keypoints from Point Sets [71.84892018102465]
  本稿では,未知のカテゴリから,対象物の3次元点群を不一致に集めて,カテゴリ固有の3Dキーポイントを教師なしで学習することを目的とする。 私たちの知る限りでは、このようなキーポイントを直接3Dポイントクラウドから学ぶための最初の作業です。
  論文  参考訳（メタデータ） (2020-03-17T10:28:02Z)

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。