Fugu-MT 論文翻訳(概要): MG-SAGC: A multiscale graph and its self-adaptive graph convolution network for 3D point clouds

論文の概要: MG-SAGC: A multiscale graph and its self-adaptive graph convolution network for 3D point clouds

arxiv url: http://arxiv.org/abs/2012.12445v1
Date: Wed, 23 Dec 2020 01:58:41 GMT
ステータス: 処理完了
システム内更新日: 2021-04-25 18:10:38.788502
Title: MG-SAGC: A multiscale graph and its self-adaptive graph convolution network for 3D point clouds
Title（参考訳）: MG-SAGC:3次元点雲のためのマルチスケールグラフとその自己適応グラフ畳み込みネットワーク
Authors: Bo Wu, Bo Lang
Abstract要約: 点群の多スケールグラフ生成法を提案する。このアプローチは、ポイントクラウドを、スケール空間におけるポイントクラウドのマルチスケール分析をサポートする構造化マルチスケールグラフ形式に変換する。従来の畳み込みニューラルネットワークは不規則な近傍を持つグラフデータには適用できないため,チェビシェフグラフを用いて不規則な畳み込みフィルタに適合するセフ適応畳み込みカーネルを提案する。
参考スコア（独自算出の注目度）: 6.504546503077047
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: To enhance the ability of neural networks to extract local point cloud features and improve their quality, in this paper, we propose a multiscale graph generation method and a self-adaptive graph convolution method. First, we propose a multiscale graph generation method for point clouds. This approach transforms point clouds into a structured multiscale graph form that supports multiscale analysis of point clouds in the scale space and can obtain the dimensional features of point cloud data at different scales, thus making it easier to obtain the best point cloud features. Because traditional convolutional neural networks are not applicable to graph data with irregular vertex neighborhoods, this paper presents an sef-adaptive graph convolution kernel that uses the Chebyshev polynomial to fit an irregular convolution filter based on the theory of optimal approximation. In this paper, we adopt max pooling to synthesize the features of different scale maps and generate the point cloud features. In experiments conducted on three widely used public datasets, the proposed method significantly outperforms other state-of-the-art models, demonstrating its effectiveness and generalizability.
Abstract（参考訳）: 本稿では,ニューラルネットワークがローカルポイントクラウドの特徴を抽出し,その品質を向上させる能力を高めるために,多スケールグラフ生成法と自己適応グラフ畳み込み法を提案する。まず,点雲に対するマルチスケールグラフ生成手法を提案する。このアプローチは、点雲を、スケール空間における点雲のマルチスケール解析をサポートする構造化されたマルチスケールグラフ形式に変換し、異なるスケールで点雲データの次元的特徴を得ることができるので、最良の点雲の特徴を容易に得ることができる。従来の畳み込みニューラルネットワークは不規則な頂点近傍を持つグラフデータには適用できないため、最適近似理論に基づく不規則畳み込みフィルタにチェビシェフ多項式を用いたセフ適応グラフ畳み込みカーネルを提案する。本稿では,スケールマップの異なる特徴を合成し,ポイントクラウド機能を生成するためにmax poolingを採用する。広く使われている3つの公開データセットを用いて行った実験では、提案手法は他の最先端モデルよりも優れ、その有効性と一般化性を示す。

関連論文リスト

Point Cloud Denoising With Fine-Granularity Dynamic Graph Convolutional Networks [58.050130177241186]
ノイズの摂動は、しばしば3次元の点雲を破損させ、表面の再構成、レンダリング、さらなる処理といった下流のタスクを妨げる。本稿では,GDGCNと呼ばれる粒度動的グラフ畳み込みネットワークについて紹介する。
論文参考訳（メタデータ） (2024-11-21T14:19:32Z)
Learning-Based Biharmonic Augmentation for Point Cloud Classification [79.13962913099378]
Biharmonic Augmentation (BA)は、新しくて効率的なデータ拡張技術である。 BAは、既存の3D構造にスムーズな非剛性変形を与えることにより、点雲データを多様化する。本稿では,先進的なオンライン強化システムであるAdvTuneについて紹介する。
論文参考訳（メタデータ） (2023-11-10T14:04:49Z)
GQE-Net: A Graph-based Quality Enhancement Network for Point Cloud Color Attribute [51.4803148196217]
本稿では,点雲の色歪みを低減するため,グラフベースの品質向上ネットワーク(GQE-Net)を提案する。 GQE-Netは、幾何学情報を補助入力とグラフ畳み込みブロックとして使用し、局所的な特徴を効率的に抽出する。実験結果から,本手法は最先端性能を実現することが示された。
論文参考訳（メタデータ） (2023-03-24T02:33:45Z)
Efficient Graph Field Integrators Meet Point Clouds [59.27295475120132]
点雲を符号化するグラフ上での効率的な場積分のためのアルゴリズムを2種類提案する。第1のクラスであるSeparatorFactorization(SF)は、ポイントメッシュグラフの有界属を利用するが、第2のクラスであるRFDiffusion(RFD)は、ポイントクラウドの一般的なepsilon-nearest-neighborグラフ表現を使用する。
論文参考訳（メタデータ） (2023-02-02T08:33:36Z)
Anisotropic Multi-Scale Graph Convolutional Network for Dense Shape Correspondence [3.45989531033125]
本稿では,コンピュータビジョンとグラフィックスにおけるキー形状解析の応用である3次元高密度形状対応について検討する。本稿では,幾何学的に有意かつ離散化に依存しない特徴を学習するハイブリッドな幾何学的深層学習モデルを提案する。得られた対応マップは、ベンチマークデータセット上で最先端のパフォーマンスを示す。
論文参考訳（メタデータ） (2022-10-17T22:40:50Z)
Adaptive Graph Convolution for Point Cloud Analysis [25.175406613705274]
本稿では,動的に学習した特徴に応じて適応的なカーネルを生成する適応グラフ畳み込み(Adaptive Graph Convolution, AdaptConv)を提案する。提案手法は,いくつかのベンチマークデータセットにおいて,最先端のクラウド分類とセグメンテーションアプローチより優れている。
論文参考訳（メタデータ） (2021-08-18T08:38:52Z)
Robust Optimization as Data Augmentation for Large-scale Graphs [117.2376815614148]
学習中に勾配に基づく逆方向摂動を伴うノード特徴を反復的に拡張するFLAG(Free Large-scale Adversarial Augmentation on Graphs)を提案する。 FLAGはグラフデータに対する汎用的なアプローチであり、ノード分類、リンク予測、グラフ分類タスクで普遍的に機能する。
論文参考訳（メタデータ） (2020-10-19T21:51:47Z)
PointManifold: Using Manifold Learning for Point Cloud Classification [5.705680763604835]
本稿では,グラフニューラルネットワークと多様体学習に基づく点雲分類手法を提案する。本稿では,平面上の連続性を考慮し,点雲の特徴を埋め込むために,多様体学習アルゴリズムを用いる。実験により、提案した点雲分類法は90.2%の平均クラス精度(mA)と93.2%の総合クラス精度(oA)が得られることが示された。
論文参考訳（メタデータ） (2020-10-14T16:28:19Z)
Graph Cross Networks with Vertex Infomax Pooling [69.38969610952927]
グラフの複数スケールから包括的特徴学習を実現するための新しいグラフクロスネットワーク(GXN)を提案する。グラフのトレーニング可能な階層表現に基づいて、GXNは、スケール間で中間的特徴の交換を可能にし、情報フローを促進する。
論文参考訳（メタデータ） (2020-10-05T06:34:23Z)
Pseudoinverse Graph Convolutional Networks: Fast Filters Tailored for Large Eigengaps of Dense Graphs and Hypergraphs [0.0]
Graph Convolutional Networks (GCNs) は、グラフベースのデータセットで半教師付き分類を行うツールとして成功している。本稿では,三部フィルタ空間が高密度グラフを対象とする新しいGCN変種を提案する。
論文参考訳（メタデータ） (2020-08-03T08:48:41Z)
Airborne LiDAR Point Cloud Classification with Graph Attention Convolution Neural Network [5.69168146446103]
本稿では,空飛ぶLiDARにより得られる非構造化3次元点雲の分類に直接適用可能なグラフ注意畳み込みニューラルネットワーク(GACNN)を提案する。提案するグラフアテンション・コンボリューション・モジュールに基づいて,GACNNと呼ばれるエンド・ツー・エンドのエンコーダ・デコーダネットワークを設計し,ポイント・クラウドのマルチスケールな特徴を捉える。 ISPRS 3Dラベリングデータセットの実験では、提案モデルが平均F1スコア(71.5%)と全精度(83.2%)で新しい最先端性能を達成することが示された。
論文参考訳（メタデータ） (2020-04-20T05:12:31Z)

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。