論文の概要: Robust Kernel-based Feature Representation for 3D Point Cloud Analysis
via Circular Graph Convolutional Network
- arxiv url: http://arxiv.org/abs/2012.12215v4
- Date: Thu, 14 Jan 2021 02:37:19 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-26 07:29:43.887564
- Title: Robust Kernel-based Feature Representation for 3D Point Cloud Analysis
via Circular Graph Convolutional Network
- Title（参考訳）: 円グラフ畳み込みネットワークによる3次元点雲解析のためのロバストカーネルに基づく特徴表現
- Authors: Seung Hwan Jung, Minyoung Chung, and Yeong-Gil Shin
- Abstract要約: 本稿では,回転,密度,スケール変動に堅牢な新しい局所特徴記述法を提案する。
局所記述子の表現を改善するために,グローバルアグリゲーション手法を提案する。
本手法は最先端手法と比較して優れた性能を示す。
- 参考スコア（独自算出の注目度）: 2.42919716430661
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Feature descriptors of point clouds are used in several applications, such as
registration and part segmentation of 3D point clouds. Learning discriminative
representations of local geometric features is unquestionably the most
important task for accurate point cloud analyses. However, it is challenging to
develop rotation or scale-invariant descriptors. Most previous studies have
either ignored rotations or empirically studied optimal scale parameters, which
hinders the applicability of the methods for real-world datasets. In this
paper, we present a new local feature description method that is robust to
rotation, density, and scale variations. Moreover, to improve representations
of the local descriptors, we propose a global aggregation method. First, we
place kernels aligned around each point in the normal direction. To avoid the
sign problem of the normal vector, we use a symmetric kernel point distribution
in the tangential plane. From each kernel point, we first projected the points
from the spatial space to the feature space, which is robust to multiple scales
and rotation, based on angles and distances. Subsequently, we perform graph
convolutions by considering local kernel point structures and long-range global
context, obtained by a global aggregation method. We experimented with our
proposed descriptors on benchmark datasets (i.e., ModelNet40 and ShapeNetPart)
to evaluate the performance of registration, classification, and part
segmentation on 3D point clouds. Our method showed superior performances when
compared to the state-of-the-art methods by reducing 70$\%$ of the rotation and
translation errors in the registration task. Our method also showed comparable
performance in the classification and part-segmentation tasks with simple and
low-dimensional architectures.
- Abstract（参考訳）: ポイントクラウドの特徴ディスクリプタは、3dポイントクラウドの登録や部分セグメンテーションなど、いくつかのアプリケーションで使用されている。
局所幾何学的特徴の識別表現の学習は、正確に点雲解析を行う上で最も重要なタスクである。
しかし、回転やスケール不変ディスクリプタの開発は困難である。
これまでのほとんどの研究では、ローテーションを無視したり、最適なスケールパラメータを経験的に研究している。
本稿では,回転,密度,スケールの変動に頑健な局所特徴記述法を提案する。
さらに,局所記述子の表現を改善するために,グローバルアグリゲーション手法を提案する。
まず、カーネルを各点の周りに通常の方向に配置する。
正規ベクトルの符号問題を避けるために、有界平面における対称核点分布を用いる。
各カーネルポイントから、まず、角度と距離に基づいて、複数のスケールと回転にロバストな空間空間から特徴空間への点を投影した。
その後,グローバルアグリゲーション法により得られた局所カーネル点構造と長距離グローバルコンテキストを考慮し,グラフ畳み込みを行う。
ベンチマークデータセット(modelnet40およびshapenetpart)上で提案する記述子を用いて,3dポイントクラウドにおける登録,分類,部分セグメンテーションの性能評価を行った。
提案手法は,登録タスクの回転と翻訳エラーの70$\%を削減し,最先端の手法と比較して優れた性能を示した。
また,単純で低次元のアーキテクチャを用いた分類と部分セグメンテーションにおいて同等の性能を示した。
関連論文リスト
- Quadric Representations for LiDAR Odometry, Mapping and Localization [93.24140840537912]
現在のLiDARオードメトリ、マッピング、ローカライズ手法は、3Dシーンのポイントワイズ表現を利用する。
3次元オブジェクトのよりコンパクトな表現である2次元曲面を用いたシーン記述法を提案する。
提案手法は低レイテンシとメモリの有効性を維持しつつ、競争力があり、しかも精度も優れている。
論文 参考訳（メタデータ） (2023-04-27T13:52:01Z) - 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) - RIGA: Rotation-Invariant and Globally-Aware Descriptors for Point Cloud
Registration [44.23935553097983]
RIGAを導入して,設計とグローバルアウェアによる回転不変な記述子を学習する。
RIGAはModelNet40の相対回転誤差で最先端の手法を8度の差で上回り、3DLoMatchでは少なくとも5ポイントのFeature Matching Recallを改善する。
論文 参考訳（メタデータ） (2022-09-27T08:45:56Z) - Stratified Transformer for 3D Point Cloud Segmentation [89.9698499437732]
Stratified Transformerは、長距離コンテキストをキャプチャし、強力な一般化能力と高性能を示す。
不規則な点配置によって引き起こされる課題に対処するために,局所情報を集約する第1層点埋め込みを提案する。
S3DIS, ScanNetv2およびShapeNetPartデータセットにおける本手法の有効性と優位性を示す実験を行った。
論文 参考訳（メタデータ） (2022-03-28T05:35:16Z) - RIConv++: Effective Rotation Invariant Convolutions for 3D Point Clouds
Deep Learning [32.18566879365623]
3Dポイントクラウドのディープラーニングは、ニューラルネットワークがポイントクラウドの機能を直接学習することのできる、有望な研究分野である。
本稿では,局所領域から強力な回転不変特徴を設計することで特徴の区別を高める,シンプルで効果的な畳み込み演算子を提案する。
ネットワークアーキテクチャは、各畳み込み層の近傍サイズを単純に調整することで、ローカルとグローバルの両方のコンテキストをキャプチャできる。
論文 参考訳（メタデータ） (2022-02-26T08:32:44Z) - UPDesc: Unsupervised Point Descriptor Learning for Robust Registration [54.95201961399334]
UPDescは、ロバストポイントクラウド登録のためのポイント記述子を学習するための教師なしの方法である。
学習した記述子は既存の教師なし手法よりも優れた性能を示すことを示す。
論文 参考訳（メタデータ） (2021-08-05T17:11:08Z) - PRIN/SPRIN: On Extracting Point-wise Rotation Invariant Features [91.2054994193218]
点群解析における回転不変特徴抽出に着目した点集合学習フレームワークPRINを提案する。
さらに、PRINをスパースポイントクラウド上で直接動作するSPRINと呼ばれるスパースバージョンに拡張します。
その結果、ランダムに回転した点群を持つデータセットでは、SPRINはデータ拡張なしで最先端の方法よりも優れたパフォーマンスを発揮します。
論文 参考訳（メタデータ） (2021-02-24T06:44:09Z) - ODFNet: Using orientation distribution functions to characterize 3D
point clouds [0.0]
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。
論文 参考訳（メタデータ） (2020-12-08T19:54:20Z) - Global Context Aware Convolutions for 3D Point Cloud Understanding [32.953907994511376]
入力点クラウドから畳み込みへのグローバルコンテキスト情報の統合により特徴の区別を高める新しい畳み込み演算子を提案する。
次に畳み込みを行い、点とアンカーの特徴を最終的な回転不変の特徴に変換する。
論文 参考訳（メタデータ） (2020-08-07T04:33:27Z) - A Rotation-Invariant Framework for Deep Point Cloud Analysis [132.91915346157018]
ネットワーク入力時に一般的な3次元カルト座標を置き換えるために,新しい低レベル純粋回転不変表現を導入する。
また,これらの表現を特徴に組み込むネットワークアーキテクチャを提案し,点とその近傍の局所的関係とグローバルな形状構造を符号化する。
本手法は, 形状分類, 部分分割, 形状検索を含む多点雲解析タスクにおいて評価する。
論文 参考訳（メタデータ） (2020-03-16T14:04:45Z)
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。