論文の概要: Learning Rotation-Invariant Representations of Point Clouds Using
Aligned Edge Convolutional Neural Networks
- arxiv url: http://arxiv.org/abs/2101.00483v1
- Date: Sat, 2 Jan 2021 17:36:00 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-13 07:16:52.729914
- Title: Learning Rotation-Invariant Representations of Point Clouds Using
Aligned Edge Convolutional Neural Networks
- Title（参考訳）: エッジ畳み込みニューラルネットワークを用いた点雲の回転不変表現の学習
- Authors: Junming Zhang, Ming-Yuan Yu, Ram Vasudevan, Matthew Johnson-Roberson
- Abstract要約: ポイントクラウド分析は、シーンの深さを正確に測定できる3Dセンサーの開発によって、関心が高まる分野である。
点群解析に深層学習技術を適用することは、これらの手法が見えない回転に一般化できないため、簡単ではありません。
この制限に対処するには、通常、トレーニングデータを強化する必要があり、これは余分な計算につながる可能性があり、より大きなモデルの複雑さを必要とする。
本稿では,局所参照フレーム(LRF)に対する点群の特徴表現を学習する,Aligned Edge Convolutional Neural Network(AECNN)と呼ばれる新しいニューラルネットワークを提案する。
- 参考スコア（独自算出の注目度）: 29.3830445533532
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Point cloud analysis is an area of increasing interest due to the development
of 3D sensors that are able to rapidly measure the depth of scenes accurately.
Unfortunately, applying deep learning techniques to perform point cloud
analysis is non-trivial due to the inability of these methods to generalize to
unseen rotations. To address this limitation, one usually has to augment the
training data, which can lead to extra computation and require larger model
complexity. This paper proposes a new neural network called the Aligned Edge
Convolutional Neural Network (AECNN) that learns a feature representation of
point clouds relative to Local Reference Frames (LRFs) to ensure invariance to
rotation. In particular, features are learned locally and aligned with respect
to the LRF of an automatically computed reference point. The proposed approach
is evaluated on point cloud classification and part segmentation tasks. This
paper illustrates that the proposed technique outperforms a variety of state of
the art approaches (even those trained on augmented datasets) in terms of
robustness to rotation without requiring any additional data augmentation.
- Abstract（参考訳）: ポイントクラウド分析は、シーンの深さを正確に測定できる3Dセンサーの開発によって、関心が高まる分野である。
残念ながら、これらの手法が目に見えない回転に一般化できないため、点雲解析にディープラーニング技術を適用することは簡単ではない。
この制限に対処するためには通常、トレーニングデータを増強する必要がある。
本稿では,局所参照フレーム(LRF)に対する点雲の特徴表現を学習し,回転の不変性を保証するニューラルネットワークであるAligned Edge Convolutional Neural Network (AECNN)を提案する。
特に、特徴は局所的に学習され、自動的に計算された基準点のLRFに対して整列される。
提案手法は,ポイントクラウド分類と部分分割タスクで評価される。
提案手法は, 付加的なデータ拡張を必要とせず, 回転の堅牢性の観点から, 各種技術(強化データセットで訓練した者でさえ)の諸特性に優れることを示す。
関連論文リスト
- Fast and Simple Explainability for Point Cloud Networks [4.013156524547072]
本稿では,ポイントクラウドデータのための高速で簡単なAI(XAI)手法を提案する。
トレーニングされたネットワークダウンストリームタスクに関して、ポイントワイズの重要性を計算します。
論文 参考訳（メタデータ） (2024-03-12T14:51:23Z) - Clustering based Point Cloud Representation Learning for 3D Analysis [80.88995099442374]
本稿では,ポイントクラウド分析のためのクラスタリングに基づく教師付き学習手法を提案する。
現在のデファクトでシーンワイドなトレーニングパラダイムとは異なり、我々のアルゴリズムは点埋め込み空間上でクラス内のクラスタリングを行う。
我々のアルゴリズムは、有名なポイントクラウドセグメンテーションデータセットの顕著な改善を示している。
論文 参考訳（メタデータ） (2023-07-27T03:42:12Z) - Analyzing Deep Learning Representations of Point Clouds for Real-Time
In-Vehicle LiDAR Perception [2.365702128814616]
本稿では,現代の深層ニューラルネットワークで使用されているLiDAR点群を3次元点群処理に応用した新しい計算分類法を提案する。
これにより、計算効率、メモリ要件、表現能力の点で共通の利点と限界を明らかにする。
論文 参考訳（メタデータ） (2022-10-26T10:39:59Z) - PointAttN: You Only Need Attention for Point Cloud Completion [89.88766317412052]
ポイント・クラウド・コンプリート(Point cloud completion)とは、部分的な3次元ポイント・クラウドから3次元の形状を完成させることである。
そこで我々は,kNNを除去するために,ポイントクラウドをポイント単位に処理する新しいニューラルネットワークを提案する。
提案するフレームワークであるPointAttNはシンプルで簡潔で効果的であり、3次元形状の構造情報を正確に捉えることができる。
論文 参考訳（メタデータ） (2022-03-16T09:20:01Z) - 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) - Revisiting Point Cloud Simplification: A Learnable Feature Preserving
Approach [57.67932970472768]
MeshとPoint Cloudの単純化手法は、3Dモデルの複雑さを低減しつつ、視覚的品質と関連する健全な機能を維持することを目的としている。
そこで本研究では,正解点の標本化を学習し,高速点雲の簡易化手法を提案する。
提案手法は、入力空間から任意のユーザ定義の点数を選択し、視覚的知覚誤差を最小限に抑えるために、その位置を再配置するよう訓練されたグラフニューラルネットワークアーキテクチャに依存する。
論文 参考訳（メタデータ） (2021-09-30T10:23:55Z) - 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) - 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) - 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。