論文の概要: FG-Net: Fast Large-Scale LiDAR Point CloudsUnderstanding Network
Leveraging CorrelatedFeature Mining and Geometric-Aware Modelling
- arxiv url: http://arxiv.org/abs/2012.09439v1
- Date: Thu, 17 Dec 2020 08:20:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-02 19:49:07.211225
- Title: FG-Net: Fast Large-Scale LiDAR Point CloudsUnderstanding Network
Leveraging CorrelatedFeature Mining and Geometric-Aware Modelling
- Title(参考訳): FG-Net:CorrelatedFeature MiningとGeometric-Aware Modelingを活用した高速大規模LiDARポイントクラウド
- Authors: Kangcheng Liu, Zhi Gao, Feng Lin, and Ben M. Chen
- Abstract要約: FG-Netは、Voxelizationなしで大規模ポイントクラウドを理解するための一般的なディープラーニングフレームワークです。
相関型特徴マイニングと変形性畳み込みに基づく幾何認識モデルを用いた深層畳み込みニューラルネットワークを提案する。
我々のアプローチは精度と効率の点で最先端のアプローチを上回っている。
- 参考スコア(独自算出の注目度): 15.059508985699575
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: This work presents FG-Net, a general deep learning framework for large-scale
point clouds understanding without voxelizations, which achieves accurate and
real-time performance with a single NVIDIA GTX 1080 GPU. First, a novel noise
and outlier filtering method is designed to facilitate subsequent high-level
tasks. For effective understanding purpose, we propose a deep convolutional
neural network leveraging correlated feature mining and deformable convolution
based geometric-aware modelling, in which the local feature relationships and
geometric patterns can be fully exploited. For the efficiency issue, we put
forward an inverse density sampling operation and a feature pyramid based
residual learning strategy to save the computational cost and memory
consumption respectively. Extensive experiments on real-world challenging
datasets demonstrated that our approaches outperform state-of-the-art
approaches in terms of accuracy and efficiency. Moreover, weakly supervised
transfer learning is also conducted to demonstrate the generalization capacity
of our method.
- Abstract(参考訳): FG-Netは、1つのNVIDIA GTX 1080 GPUで正確かつリアルタイムなパフォーマンスを実現する、大規模なポイントクラウド理解のための一般的なディープラーニングフレームワークである。
まず,後続の高レベルタスクを容易にするために,新しいノイズ・アウトリアーフィルタリング法を考案した。
そこで本研究では,局所的特徴関係と幾何学的パターンを十分に活用できる,特徴マイニングと変形可能な畳み込みに基づく幾何認識モデルを用いた深層畳み込みニューラルネットワークを提案する。
効率の面では,計算コストとメモリ消費をそれぞれ削減するために,逆密度サンプリング操作と特徴ピラミッドに基づく残差学習戦略を提案する。
実世界の挑戦的データセットに関する大規模な実験は、我々のアプローチが精度と効率の点で最先端のアプローチより優れていることを示した。
また,本手法の一般化能力を示すために,弱教師付き転送学習も行った。
関連論文リスト
- IB-AdCSCNet:Adaptive Convolutional Sparse Coding Network Driven by Information Bottleneck [4.523653503622693]
IB-AdCSCNetは情報ボトルネック理論に基づくディープラーニングモデルである。
IB-AdCSCNetは、情報ボトルネックトレードオフ戦略をディープネットワークにシームレスに統合する。
CIFAR-10とCIFAR-100データセットの実験結果は、IB-AdCSCNetが深い残差畳み込みネットワークの性能にマッチするだけでなく、破損したデータを扱う際の性能も優れていることを示した。
論文 参考訳(メタデータ) (2024-05-23T05:35:57Z) - Ada-HGNN: Adaptive Sampling for Scalable Hypergraph Neural Networks [19.003370580994936]
本稿では,ハイパーグラフに特化して設計された新しい適応サンプリング手法を提案する。
また、RHA(Random Hyperedge Augmentation)技術とMLP(Multilayer Perceptron)モジュールを追加して、アプローチの堅牢性と能力を向上させる。
論文 参考訳(メタデータ) (2024-05-22T06:15:50Z) - An effective and efficient green federated learning method for one-layer
neural networks [0.22499166814992436]
フェデレート・ラーニング(Federated Learning, FL)は、機械学習における最も活発な研究分野の一つである。
本研究では,1回のトレーニングラウンドでグローバルな協調モデルを生成可能な,隠れた層を持たないニューラルネットワークに基づくFL法を提案する。
本手法は同一および非同一の分散シナリオの両方において等しく機能することを示す。
論文 参考訳(メタデータ) (2023-12-22T08:52:08Z) - Neural Network Pruning by Gradient Descent [7.427858344638741]
我々は,Gumbel-Softmaxテクニックを取り入れた,新しい,かつ簡単なニューラルネットワークプルーニングフレームワークを提案する。
ネットワークパラメータの0.15%しか持たないMNISTデータセット上で、高い精度を維持しながら、例外的な圧縮能力を実証する。
我々は,ディープラーニングプルーニングと解釈可能な機械学習システム構築のための,有望な新たな道を開くと信じている。
論文 参考訳(メタデータ) (2023-11-21T11:12:03Z) - Heterogenous Memory Augmented Neural Networks [84.29338268789684]
ニューラルネットワークのための新しいヘテロジニアスメモリ拡張手法を提案する。
学習可能なメモリトークンをアテンション機構付きで導入することにより、膨大な計算オーバーヘッドを伴わずに性能を効果的に向上させることができる。
In-distriion (ID) と Out-of-distriion (OOD) の両方の条件下での様々な画像およびグラフベースのタスクに対するアプローチを示す。
論文 参考訳(メタデータ) (2023-10-17T01:05:28Z) - Online Network Source Optimization with Graph-Kernel MAB [62.6067511147939]
大規模ネットワークにおける最適なソース配置をオンラインで学習するためのグラフカーネルマルチアームバンディットアルゴリズムであるGrab-UCBを提案する。
適応グラフ辞書モデルを用いて,ネットワークプロセスを記述する。
我々は、ネットワークパラメータに依存する性能保証を導出し、シーケンシャルな意思決定戦略の学習曲線にさらに影響を及ぼす。
論文 参考訳(メタデータ) (2023-07-07T15:03:42Z) - Inducing Gaussian Process Networks [80.40892394020797]
本稿では,特徴空間と誘導点を同時に学習するシンプルなフレームワークであるGaussian Process Network (IGN)を提案する。
特に誘導点は特徴空間で直接学習され、複雑な構造化領域のシームレスな表現を可能にする。
実世界のデータセットに対する実験結果から,IGNは最先端の手法よりも大幅に進歩していることを示す。
論文 参考訳(メタデータ) (2022-04-21T05:27:09Z) - CONetV2: Efficient Auto-Channel Size Optimization for CNNs [35.951376988552695]
本研究は,チャネルサイズのマイクロサーチ空間を調べることにより,計算制約のある環境において効率的な手法を提案する。
チャネルサイズ最適化に際し、ネットワークの異なる接続層内の依存関係を抽出する自動アルゴリズムを設計する。
また、テスト精度と高い相関性を持ち、個々のネットワーク層を解析できる新しいメトリクスも導入する。
論文 参考訳(メタデータ) (2021-10-13T16:17:19Z) - Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。
本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文 参考訳(メタデータ) (2021-06-17T17:26:31Z) - Geometrically Principled Connections in Graph Neural Networks [66.51286736506658]
我々は、幾何学的深層学習の新興分野におけるイノベーションの原動力は、幾何が依然として主要な推進力であるべきだと論じている。
グラフニューラルネットワークとコンピュータグラフィックスとデータ近似モデルとの関係:放射基底関数(RBF)
完全連結層とグラフ畳み込み演算子を組み合わせた新しいビルディングブロックであるアフィンスキップ接続を導入する。
論文 参考訳(メタデータ) (2020-04-06T13:25:46Z) - Spatial-Spectral Residual Network for Hyperspectral Image
Super-Resolution [82.1739023587565]
ハイパースペクトル画像超解像のための新しいスペクトル空間残差ネットワーク(SSRNet)を提案する。
提案手法は,2次元畳み込みではなく3次元畳み込みを用いて空間スペクトル情報の探索を効果的に行うことができる。
各ユニットでは空間的・時間的分離可能な3次元畳み込みを用いて空間的・スペクトル的な情報を抽出する。
論文 参考訳(メタデータ) (2020-01-14T03:34:55Z)
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。