論文の概要: PIG-Net: Inception based Deep Learning Architecture for 3D Point Cloud Segmentation

• arxiv url: http://arxiv.org/abs/2101.11987v1
• Date: Thu, 28 Jan 2021 13:27:55 GMT
• ステータス: 処理完了
• システム内更新日: 2021-01-31 18:24:27.883393
• Title: PIG-Net: Inception based Deep Learning Architecture for 3D Point Cloud Segmentation
• Title（参考訳）: PIG-Net: 3Dポイントクラウドセグメンテーションのためのインセプションベースのディープラーニングアーキテクチャ
• Authors: Sindhu Hegde and Shankar Gangisetty
• Abstract要約: そこで我々はPIG-Netと呼ばれるインセプションに基づくディープネットワークアーキテクチャを提案し,点雲の局所的および大域的幾何学的詳細を効果的に特徴付ける。 我々は2つの最先端データセット上でPIG-Netアーキテクチャの徹底的な実験的解析を行う。
• 参考スコア（独自算出の注目度）: 0.9137554315375922
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Point clouds, being the simple and compact representation of surface geometry of 3D objects, have gained increasing popularity with the evolution of deep learning networks for classification and segmentation tasks. Unlike human, teaching the machine to analyze the segments of an object is a challenging task and quite essential in various machine vision applications. In this paper, we address the problem of segmentation and labelling of the 3D point clouds by proposing a inception based deep network architecture called PIG-Net, that effectively characterizes the local and global geometric details of the point clouds. In PIG-Net, the local features are extracted from the transformed input points using the proposed inception layers and then aligned by feature transform. These local features are aggregated using the global average pooling layer to obtain the global features. Finally, feed the concatenated local and global features to the convolution layers for segmenting the 3D point clouds. We perform an exhaustive experimental analysis of the PIG-Net architecture on two state-of-the-art datasets, namely, ShapeNet [1] and PartNet [2]. We evaluate the effectiveness of our network by performing ablation study.
• Abstract（参考訳）: 3次元オブジェクトの表面幾何の単純かつコンパクトな表現であるポイントクラウドは、分類と分割タスクのためのディープラーニングネットワークの進化によって人気が高まっている。 人間とは異なり、物体のセグメントを分析するために機械を教えることは困難な作業であり、さまざまな機械ビジョンアプリケーションに非常に不可欠です。 本稿では,PIG-Netと呼ばれるインセプションに基づく深層ネットワークアーキテクチャを提案し,その局所的および大域的幾何学的詳細を効果的に特徴付けることで,3次元点雲のセグメンテーションとラベリングの問題に対処する。 pig-netでは、提案するインセプション層を用いて変換入力点から局所的な特徴を抽出し、特徴変換によりアライメントする。 これらのローカル機能はグローバル平均プーリング層を使用して集約され、グローバル機能を得る。 最後に、連結したローカルおよびグローバル機能を畳み込み層に供給し、3Dポイントクラウドをセグメント化します。 本研究では,2つの最先端データセットであるShapeNet [1] と PartNet [2] 上で,PIG-Net アーキテクチャの徹底的な実験的解析を行う。 アブレーション研究により,ネットワークの有効性を評価する。

関連論文リスト

• Boosting Cross-Domain Point Classification via Distilling Relational Priors from 2D Transformers [59.0181939916084]
  従来の3Dネットワークは主に局所幾何学的詳細に焦点を当て、局所幾何学間の位相構造を無視する。 そこで本稿では,大規模画像上においてよく訓練されたトランスフォーマーから前駆体を抽出する,新しい先駆体蒸留法を提案する。 PointDA-10とSim-to-Realデータセットの実験は、提案手法が点クラウド分類におけるUDAの最先端性能を一貫して達成していることを検証する。
  論文  参考訳（メタデータ） (2024-07-26T06:29:09Z)
• PointeNet: A Lightweight Framework for Effective and Efficient Point Cloud Analysis [28.54939134635978]
  PointeNetは、ポイントクラウド分析に特化したネットワークである。 本手法は,分類/分割ヘッドとシームレスに統合したり,市販の3Dオブジェクト検出ネットワークに埋め込んだりすることで,柔軟性を示す。 ModelNet40、ScanObjectNN、ShapeNet KITTI、およびシーンレベルのデータセットKITTIを含むオブジェクトレベルのデータセットの実験は、ポイントクラウド分析における最先端メソッドよりもPointeNetの方が優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2023-12-20T03:34:48Z)
• 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)
• PointResNet: Residual Network for 3D Point Cloud Segmentation and Classification [18.466814193413487]
  ポイントクラウドのセグメンテーションと分類は、3Dコンピュータビジョンの主要なタスクである。 本稿では,残差ブロックベースアプローチであるPointResNetを提案する。 我々のモデルは、セグメント化と分類タスクのためのディープニューラルネットワークを用いて、3Dポイントを直接処理する。
  論文  参考訳（メタデータ） (2022-11-20T17:39:48Z)
• Learning point embedding for 3D data processing [2.12121796606941]
  現在の点ベース法は本質的に空間関係処理ネットワークである。 PE-Netは高次元空間における点雲の表現を学習する。 実験によると、PE-Netは複数の挑戦的なデータセットで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2021-07-19T00:25:28Z)
• FatNet: A Feature-attentive Network for 3D Point Cloud Processing [1.502579291513768]
  本稿では,グローバルポイントベースの機能とエッジベースの機能を組み合わせた,新たな機能指向ニューラルネットワーク層であるfat layerを提案する。 当社のアーキテクチャは,ModelNet40データセットで示すように,ポイントクラウド分類のタスクにおける最先端の成果を達成する。
  論文  参考訳（メタデータ） (2021-04-07T23:13:56Z)
• Learning Geometry-Disentangled Representation for Complementary Understanding of 3D Object Point Cloud [50.56461318879761]
  3次元画像処理のためのGDANet(Geometry-Disentangled Attention Network)を提案する。 GDANetは、点雲を3Dオブジェクトの輪郭と平らな部分に切り離し、それぞれ鋭い変化成分と穏やかな変化成分で表される。 3Dオブジェクトの分類とセグメンテーションベンチマークの実験は、GDANetがより少ないパラメータで最先端の処理を実現していることを示している。
  論文  参考訳（メタデータ） (2020-12-20T13:35:00Z)
• PC-RGNN: Point Cloud Completion and Graph Neural Network for 3D Object Detection [57.49788100647103]
  LiDARベースの3Dオブジェクト検出は、自動運転にとって重要なタスクです。 現在のアプローチでは、遠方および閉ざされた物体の偏りと部分的な点雲に苦しむ。 本稿では,この課題を2つの解決法で解決する新しい二段階アプローチ,pc-rgnnを提案する。
  論文  参考訳（メタデータ） (2020-12-18T18:06:43Z)
• GRNet: Gridding Residual Network for Dense Point Cloud Completion [54.43648460932248]
  完全な3Dポイントクラウドを不完全なクラウドから推定することは、多くのビジョンやロボティクスアプリケーションにおいて重要な問題である。 本稿では,ポイントクラウド補完のための新しいGridding Residual Network(GRNet)を提案する。 実験結果から,提案したGRNetはShapeNet,Completion3D,KITTIベンチマークの最先端手法に対して良好に動作することがわかった。
  論文  参考訳（メタデータ） (2020-06-06T02:46:39Z)
• GFPNet: A Deep Network for Learning Shape Completion in Generic Fitted Primitives [68.8204255655161]
  本稿では,GP(Generic Primitives)と呼ばれるオブジェクト再構成装置を提案する。 GFPNet は ModelNet および KITTI ベンチマークデータセットの性能評価結果を提供することで, 形状完成手法の状況と競合することを示す。
  論文  参考訳（メタデータ） (2020-06-03T08:29:27Z)

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。