論文の概要: PointCutMix: Regularization Strategy for Point Cloud Classification

• arxiv url: http://arxiv.org/abs/2101.01461v2
• Date: Fri, 5 Feb 2021 08:03:01 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-11 18:55:46.093947
• Title: PointCutMix: Regularization Strategy for Point Cloud Classification
• Title（参考訳）: PointCutMix: Point Cloud分類の正規化戦略
• Authors: Jinlai Zhang, Lyujie Chen, Bo Ouyang, Binbin Liu, Jihong Zhu, Yujing Chen, Yanmei Meng, Danfeng Wu
• Abstract要約: 本稿では,pointcutmixという,ポイントクラウドデータの簡易かつ効果的な拡張手法を提案する。 2つの点雲間の最適な割り当てを見つけ、1つのサンプルの点を最適に割り当てられたペアに置き換えることで、新しいトレーニングデータを生成する。
• 参考スコア（独自算出の注目度）: 7.6904253666422395
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As 3D point cloud analysis has received increasing attention, the insufficient scale of point cloud datasets and the weak generalization ability of networks become prominent. In this paper, we propose a simple and effective augmentation method for the point cloud data, named PointCutMix, to alleviate those problems. It finds the optimal assignment between two point clouds and generates new training data by replacing the points in one sample with their optimal assigned pairs. Two replacement strategies are proposed to adapt to the accuracy or robustness requirement for different tasks, one of which is to randomly select all replacing points while the other one is to select k nearest neighbors of a single random point. Both strategies consistently and significantly improve the performance of various models on point cloud classification problems. By introducing the saliency maps to guide the selection of replacing points, the performance further improves. Moreover, PointCutMix is validated to enhance the model robustness against the point attack. It is worth noting that when using as a defense method, our method outperforms the state-of-the-art defense algorithms. The code is available at:https://github.com/cuge1995/PointCutMix
• Abstract（参考訳）: 3Dポイントクラウド分析が注目されるにつれて、ポイントクラウドデータセットの不十分なスケールとネットワークの弱い一般化能力が顕著になる。 本稿では,これらの問題を緩和するためのポイントクラウドデータ(PointCutMix)の簡易かつ効果的な拡張手法を提案する。 2つの点雲間の最適な割り当てを見つけ、1つのサンプルの点を最適なペアに置き換えることで、新しいトレーニングデータを生成する。 2つの置換戦略は、異なるタスクの正確性または堅牢性要件に適応するために提案され、1つは、全ての置換点をランダムに選択し、もう1つは1つのランダム点のk近傍を選択することである。 いずれの戦略も、ポイントクラウド分類問題における様々なモデルの性能を一貫して改善する。 置換点の選択を導くために塩分マップを導入することにより、さらに性能が向上する。 さらに、PointCutMixは、ポイントアタックに対するモデルの堅牢性を高めるために検証されている。 防御手法として使用する場合,本手法は最先端の防御アルゴリズムに勝ることに留意すべきである。 コードは、https://github.com/cuge1995/PointCutMixで入手できる。

関連論文リスト

• P2P-Bridge: Diffusion Bridges for 3D Point Cloud Denoising [81.92854168911704]
  私たちは、Diffusion Schr"odingerブリッジをポイントクラウドに適応させる新しいフレームワークを通じて、ポイントクラウドを飾るタスクに取り組みます。 オブジェクトデータセットの実験では、P2P-Bridgeは既存のメソッドよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2024-08-29T08:00:07Z)
• Point Cloud Pre-training with Diffusion Models [62.12279263217138]
  我々は、ポイントクラウド拡散事前学習(PointDif)と呼ばれる新しい事前学習手法を提案する。 PointDifは、分類、セグメンテーション、検出など、さまざまな下流タスクのために、さまざまな現実世界のデータセット間で大幅に改善されている。
  論文  参考訳（メタデータ） (2023-11-25T08:10:05Z)
• Point2Point : A Framework for Efficient Deep Learning on Hilbert sorted Point Clouds with applications in Spatio-Temporal Occupancy Prediction [0.0]
  ヒルベルト空間充填曲線によって誘導される局所性保存1次元秩序として点雲を表現する新しい手法を提案する。 また、Hilbert分類のポイントクラウドで効果的に学習できるニューラルネットワークであるPoint2Pointを紹介します。
  論文  参考訳（メタデータ） (2023-06-28T15:30:08Z)
• FreePoint: Unsupervised Point Cloud Instance Segmentation [72.64540130803687]
  点クラウド上の教師なしクラス非依存のインスタンスセグメンテーションを探索するためのFreePointを提案する。 我々は、座標、色、そして自己監督の深い特徴を組み合わせることで、点の特徴を表現する。 ポイント機能に基づいて、ポイントクラウドを擬似ラベルとして粗いインスタンスマスクに分割し、ポイントクラウドインスタンスセグメンテーションモデルをトレーニングする。
  論文  参考訳（メタデータ） (2023-05-11T16:56:26Z)
• HybridPoint: Point Cloud Registration Based on Hybrid Point Sampling and Matching [8.255850058549653]
  より堅牢で正確な対応を見つけるために,HybridPointベースのネットワークを提案する。 本モデルは3DMatch, 3DLoMatch, KITTIオドメトリーにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-03-29T08:28:45Z)
• PointPatchMix: Point Cloud Mixing with Patch Scoring [58.58535918705736]
  我々は、パッチレベルでポイントクラウドを混合し、混合ポイントクラウドのコンテンツベースターゲットを生成するPointPatchMixを提案する。 パッチスコアリングモジュールは、事前学習した教師モデルから、コンテンツに基づく重要度スコアに基づいて目標を割り当てる。 Point-MAE をベースラインとして,ScanObjectNN では86.3%,ModelNet40 では94.1% の精度で,従来の手法をかなり上回りました。
  論文  参考訳（メタデータ） (2023-03-12T14:49:42Z)
• Shape-invariant 3D Adversarial Point Clouds [111.72163188681807]
  逆境と不可視性は、逆境の摂動の2つの基本的だが矛盾する性格である。 3Dポイントのクラウド認識に対する以前の敵対的攻撃は、しばしば目立ったポイントアウトリーチによって批判された。 本稿では,点摂動の効率性と非受容性を両立させる新しい点-クラウド感度マップを提案する。
  論文  参考訳（メタデータ） (2022-03-08T12:21:35Z)
• DeepBBS: Deep Best Buddies for Point Cloud Registration [55.12101890792121]
  DeepBBSは、トレーニング中のポイント間の最良の相反する距離を考慮に入れた表現を学ぶための新しい方法である。 実験の結果,従来の手法と比較して性能が向上した。
  論文  参考訳（メタデータ） (2021-10-06T19:00:07Z)
• PointManifoldCut: Point-wise Augmentation in the Manifold for Point Clouds [2.756263525080896]
  本稿では,ニューラルネットワークの組込み点を置き換える混合拡張手法であるPointManifoldCutを提案する。 実験の結果,提案手法はポイントクラウドの分類とセグメンテーションにおいて,競争力のある性能を提供することがわかった。
  論文  参考訳（メタデータ） (2021-09-15T14:31:42Z)

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。