論文の概要: I3DOL: Incremental 3D Object Learning without Catastrophic Forgetting

• arxiv url: http://arxiv.org/abs/2012.09014v1
• Date: Wed, 16 Dec 2020 15:17:51 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-03 02:56:27.418038
• Title: I3DOL: Incremental 3D Object Learning without Catastrophic Forgetting
• Title（参考訳）: I3DOL: カタストロフィック・フォーミングを伴わないインクリメンタル3Dオブジェクト学習
• Authors: Jiahua Dong, Yang Cong, Gan Sun, Bingtao Ma and Lichen Wang
• Abstract要約: i3dolはまず、3dオブジェクトの新しいクラスを継続的に学習する。 アダプティブジオメトリックセントロイドモジュールは、識別可能な局所幾何学構造を構築するように設計されています。 局所幾何学構造の寄与度を定量化する幾何学的注意メカニズムが開発された。
• 参考スコア（独自算出の注目度）: 38.7610646073842
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 3D object classification has attracted appealing attentions in academic researches and industrial applications. However, most existing methods need to access the training data of past 3D object classes when facing the common real-world scenario: new classes of 3D objects arrive in a sequence. Moreover, the performance of advanced approaches degrades dramatically for past learned classes (i.e., catastrophic forgetting), due to the irregular and redundant geometric structures of 3D point cloud data. To address these challenges, we propose a new Incremental 3D Object Learning (i.e., I3DOL) model, which is the first exploration to learn new classes of 3D object continually. Specifically, an adaptive-geometric centroid module is designed to construct discriminative local geometric structures, which can better characterize the irregular point cloud representation for 3D object. Afterwards, to prevent the catastrophic forgetting brought by redundant geometric information, a geometric-aware attention mechanism is developed to quantify the contributions of local geometric structures, and explore unique 3D geometric characteristics with high contributions for classes incremental learning. Meanwhile, a score fairness compensation strategy is proposed to further alleviate the catastrophic forgetting caused by unbalanced data between past and new classes of 3D object, by compensating biased prediction for new classes in the validation phase. Experiments on 3D representative datasets validate the superiority of our I3DOL framework.
• Abstract（参考訳）: 3Dオブジェクト分類は、学術研究や産業応用において注目されている。 しかし、既存のほとんどのメソッドは、一般的な現実のシナリオに直面しているときに、過去の3Dオブジェクトクラスのトレーニングデータにアクセスする必要がある。 さらに、3次元点雲データの不規則かつ冗長な幾何学構造のため、過去の学習クラス(すなわち破滅的な忘れ方)では高度なアプローチの性能が劇的に低下する。 これらの課題に対処するため,我々は新しいインクリメンタル3Dオブジェクト学習モデル(I3DOL)を提案し,これが3Dオブジェクトの新しいクラスを継続的に学習する最初の試みである。 具体的には,3次元物体に対する不規則点雲表現をよりよく特徴付けることのできる,局所的な識別的局所幾何学構造を構築するために,適応幾何学式セントロイドモジュールを設計する。 その後,冗長な幾何学的情報によってもたらされる破滅的な忘れを防止すべく,局所幾何学的構造の寄与を定量化し,授業インクリメンタル学習に高い寄与を持つユニークな3次元幾何学的特徴を探索するための幾何学的認識注意機構が開発された。 一方, 評価段階における新たなクラスに対するバイアス予測を補正することにより, 過去と新クラスの3Dオブジェクト間の不均衡データによる壊滅的忘れを緩和するスコアフェアネス補償戦略を提案する。 3次元代表データセットの実験は、i3dolフレームワークの優位性を検証する。

関連論文リスト

• DIRECT-3D: Learning Direct Text-to-3D Generation on Massive Noisy 3D Data [50.164670363633704]
  テキストプロンプトから高品質な3Dアセットを作成するための拡散型3D生成モデルであるDIRECT-3Dを提案する。 我々のモデルは、広範に騒々しく不整合な3D資産で直接訓練されている。 単一クラス生成とテキスト・ツー・3D生成の両方で最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-06-06T17:58:15Z)
• FILP-3D: Enhancing 3D Few-shot Class-incremental Learning with Pre-trained Vision-Language Models [62.663113296987085]
  クラス増分学習(class-incremental learning)は、モデルが限られたデータに基づいて漸進的にトレーニングされている場合、破滅的な忘れの問題を軽減することを目的としている。 冗長特徴除去器(RFE)と空間ノイズ補償器(SNC)の2つの新しいコンポーネントを紹介する。 既存の3次元データセットの不均衡を考慮し、3次元FSCILモデルのより微妙な評価を提供する新しい評価指標を提案する。
  論文  参考訳（メタデータ） (2023-12-28T14:52:07Z)
• Self-supervised Learning for Enhancing Geometrical Modeling in 3D-Aware Generative Adversarial Network [42.16520614686877]
  3D-GANは、メッシュの不完全性や穴などの3D幾何学的モデリングにおいて、アーティファクトを示す。 これらの欠点は、主にアノテーション付き3Dデータの可用性が制限されているためである。 本稿では,任意の3D-GANの補助的損失を補うセルフ・スーパーバイザード・ラーニング手法を提案する。
  論文  参考訳（メタデータ） (2023-12-19T04:55:33Z)
• Open-Pose 3D Zero-Shot Learning: Benchmark and Challenges [23.663199578392447]
  オープンポジション3Dゼロショット分類という,より現実的で困難なシナリオを提案する。 まず,3次元ゼロショット分類に関する現在の研究について再考する。 オープンな設定に特化して設計されたベンチマークデータセットを2つ提案する。
  論文  参考訳（メタデータ） (2023-12-12T07:52:33Z)
• InOR-Net: Incremental 3D Object Recognition Network for Point Cloud Representation [51.121731449575776]
  我々は,新しい3Dオブジェクトのクラスを連続的に認識するインクリメンタル3Dオブジェクト認識ネットワーク(InOR-Net)を開発した。 具体的には、各クラスの特徴的な3次元特性を持つ局所幾何学的構造を推論するために、カテゴリー誘導幾何学的推論を提案する。 そこで我々は,従来の3Dオブジェクトのクラスにおける破滅的な忘れを克服するために,各クラス内のどの3次元幾何学的特徴が有用であるかを識別する,新しい批評家による幾何学的注意機構を提案する。
  論文  参考訳（メタデータ） (2023-02-20T10:30:16Z)
• RandomRooms: Unsupervised Pre-training from Synthetic Shapes and Randomized Layouts for 3D Object Detection [138.2892824662943]
  有望な解決策は、CADオブジェクトモデルで構成される合成データセットをよりよく利用して、実際のデータセットでの学習を促進することである。 最近の3次元事前学習の研究は、合成物体から他の実世界の応用へ学習した伝達特性が失敗することを示している。 本研究では,この目的を達成するためにRandomRoomsという新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-08-17T17:56:12Z)
• Secrets of 3D Implicit Object Shape Reconstruction in the Wild [92.5554695397653]
  コンピュータビジョン、ロボティクス、グラフィックスの様々な用途において、高精細な3Dオブジェクトをスパースから再構築することは重要です。 最近の神経暗黙的モデリング法は、合成データセットまたは高密度データセットで有望な結果を示す。 しかし、粗末でノイズの多い実世界のデータではパフォーマンスが悪い。 本論文では, 一般的な神経暗黙モデルの性能低下の根本原因を解析する。
  論文  参考訳（メタデータ） (2021-01-18T03:24:48Z)

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。