論文の概要: Point Transformer

• arxiv url: http://arxiv.org/abs/2012.09164v1
• Date: Wed, 16 Dec 2020 18:58:56 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-03 02:54:56.035653
• Title: Point Transformer
• Title（参考訳）: 点変圧器
• Authors: Hengshuang Zhao, Li Jiang, Jiaya Jia, Philip Torr, Vladlen Koltun
• Abstract要約: セルフアテンションネットワークを3Dポイントクラウド処理に適用することを検討する。 ポイントクラウドのセルフアテンションレイヤを設計し、セマンティックシーンセグメンテーションなどのタスクのためのセルフアテンションネットワークの構築に使用します。 ポイントトランスフォーマーの設計は、ドメインやタスク間の事前作業を改善する。
• 参考スコア（独自算出の注目度）: 122.2917213154675
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Self-attention networks have revolutionized natural language processing and are making impressive strides in image analysis tasks such as image classification and object detection. Inspired by this success, we investigate the application of self-attention networks to 3D point cloud processing. We design self-attention layers for point clouds and use these to construct self-attention networks for tasks such as semantic scene segmentation, object part segmentation, and object classification. Our Point Transformer design improves upon prior work across domains and tasks. For example, on the challenging S3DIS dataset for large-scale semantic scene segmentation, the Point Transformer attains an mIoU of 70.4% on Area 5, outperforming the strongest prior model by 3.3 absolute percentage points and crossing the 70% mIoU threshold for the first time.
• Abstract（参考訳）: 自己追跡ネットワークは自然言語処理に革命をもたらし、画像分類やオブジェクト検出などの画像解析タスクにおいて印象的な進歩を遂げている。 この成功に触発されて、3Dポイントクラウド処理への自己注意ネットワークの適用について検討する。 我々はポイントクラウドのための自己注意層を設計し、これらを用いてセマンティックシーンセグメンテーション、オブジェクト部分セグメンテーション、オブジェクト分類などのタスクのための自己注意ネットワークを構築する。 ポイントトランスフォーマーの設計は、ドメインやタスク間の事前作業を改善する。 例えば、大規模セマンティックシーンセグメンテーションのための挑戦的なS3DISデータセットでは、ポイントトランスフォーマーがエリア5で70.4%のmIoUに達し、最強の先行モデルよりも3.3絶対パーセンテージで、初めて70% mIoU閾値を超えた。

関連論文リスト

• Point-GR: Graph Residual Point Cloud Network for 3D Object Classification and Segmentation [2.4999074238880485]
  本稿では,非秩序な原点雲を高次元に変換するために設計された新しいディープラーニングアーキテクチャであるPoint-GRを提案する。 ネットワーク内の残差ベースの学習を導入し、ポイントクラウドデータの点置換問題を緩和する。 これは、S3DISベンチマークデータセットで73.47%の最先端のシーンセグメンテーション平均IoUを実現し、その有効性を示している。
  論文  参考訳（メタデータ） (2024-12-04T06:12:19Z)
• Boosting Cross-Domain Point Classification via Distilling Relational Priors from 2D Transformers [59.0181939916084]
  従来の3Dネットワークは主に局所幾何学的詳細に焦点を当て、局所幾何学間の位相構造を無視する。 そこで本稿では,大規模画像上においてよく訓練されたトランスフォーマーから前駆体を抽出する,新しい先駆体蒸留法を提案する。 PointDA-10とSim-to-Realデータセットの実験は、提案手法が点クラウド分類におけるUDAの最先端性能を一貫して達成していることを検証する。
  論文  参考訳（メタデータ） (2024-07-26T06:29:09Z)
• Self-positioning Point-based Transformer for Point Cloud Understanding [18.394318824968263]
  セルフポジショニングポイントベースのトランスフォーマー(SPoTr)は、局所的およびグローバルな形状のコンテキストを複雑さを減らしてキャプチャするように設計されている。 SPoTrは、ScanObjectNNを用いた形状分類における以前の最良のモデルよりも精度が2.6%向上している。
  論文  参考訳（メタデータ） (2023-03-29T04:27:11Z)
• Location-Aware Self-Supervised Transformers [74.76585889813207]
  画像部品の相対的な位置を予測し,セマンティックセグメンテーションのためのネットワークを事前訓練する。 参照パッチのサブセットを問合せのサブセットにマスキングすることで,タスクの難しさを制御します。 実験により,この位置認識事前学習が,いくつかの難解なセマンティックセグメンテーションベンチマークに競合する表現をもたらすことが示された。
  論文  参考訳（メタデータ） (2022-12-05T16:24:29Z)
• 3D Siamese Transformer Network for Single Object Tracking on Point Clouds [22.48888264770609]
  シームズネットワークに基づくトラッカーは、テンプレートの点特徴と検索領域との間の相互相関学習として、3Dオブジェクト追跡を定式化する。 テンプレートと検索領域間の堅牢な相互相関を学習するために,Transformer を用いて 3D Siamese Transformer ネットワークを構築した。 本手法は,3次元物体追跡タスクにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-07-25T09:08:30Z)
• SASA: Semantics-Augmented Set Abstraction for Point-based 3D Object Detection [78.90102636266276]
  SASA(Semantics-Augmented Set Abstraction)と呼ばれる新しい集合抽象化手法を提案する。 そこで本研究では, 推定点前景スコアに基づいて, より重要な前景点の維持を支援するセマンティックス誘導点サンプリングアルゴリズムを提案する。 実際には、SASAは、前景オブジェクトに関連する貴重な点を識別し、ポイントベースの3D検出のための特徴学習を改善するのに有効である。
  論文  参考訳（メタデータ） (2022-01-06T08:54:47Z)
• 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)
• 3D Spatial Recognition without Spatially Labeled 3D [127.6254240158249]
  Weakly-supervised framework for Point cloud Recognitionを紹介する。 We show that WyPR can detected and segment objects in point cloud data without access any space labels at training time。
  論文  参考訳（メタデータ） (2021-05-13T17:58:07Z)
• Semantic Segmentation for Real Point Cloud Scenes via Bilateral Augmentation and Adaptive Fusion [38.05362492645094]
  現実世界の複雑な環境を直感的に捉えることができますが、3Dデータの生の性質のため、機械認識にとって非常に困難です。 我々は、現実に収集された大規模クラウドデータに対して、重要な視覚的タスク、セマンティックセグメンテーションに集中する。 3つのベンチマークで最先端のネットワークと比較することにより,ネットワークの有効性を実証する。
  論文  参考訳（メタデータ） (2021-03-12T04:13:20Z)
• Improving Point Cloud Semantic Segmentation by Learning 3D Object Detection [102.62963605429508]
  ポイントクラウドセマンティックセグメンテーションは、自動運転において重要な役割を果たす。 現在の3Dセマンティックセグメンテーションネットワークは、よく表現されたクラスに対して優れた性能を発揮する畳み込みアーキテクチャに焦点を当てている。 Aware 3D Semantic Detection (DASS) フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-09-22T14:17:40Z)

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。