論文の概要: Point-set Distances for Learning Representations of 3D Point Clouds

• arxiv url: http://arxiv.org/abs/2102.04014v1
• Date: Mon, 8 Feb 2021 06:09:13 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-09 15:40:37.968063
• Title: Point-set Distances for Learning Representations of 3D Point Clouds
• Title（参考訳）: 3次元点雲の学習表現のための点集合距離
• Authors: Trung Nguyen, Quang-Hieu Pham, Tam Le, Tung Pham, Nhat Ho, Binh-Son Hua
• Abstract要約: 本稿では,3次元点雲の表現を学習するために,スライスされたワッサースタイン距離という,ワッサーシュタイン距離の変種を用いることを提案する。 実験により、スライスされたワッサースタイン距離により、ニューラルネットワークはチャンファーの差よりも効率的な表現を学習できることが示された。
• 参考スコア（独自算出の注目度）: 21.860204082926415
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning an effective representation of 3D point clouds requires a good metric to measure the discrepancy between two 3D point sets, which is non-trivial due to their irregularity. Most of the previous works resort to using the Chamfer discrepancy or Earth Mover's distance, but those metrics are either ineffective in measuring the differences between point clouds or computationally expensive. In this paper, we conduct a systematic study with extensive experiments on distance metrics for 3D point clouds. From this study, we propose to use a variant of the Wasserstein distance, named the sliced Wasserstein distance, for learning representations of 3D point clouds. Experiments show that the sliced Wasserstein distance allows the neural network to learn a more efficient representation compared to the Chamfer discrepancy. We demonstrate the efficiency of the sliced Wasserstein metric on several tasks in 3D computer vision including training a point cloud autoencoder, generative modeling, transfer learning, and point cloud registration.
• Abstract（参考訳）: 3Dポイントクラウドの効果的な表現を学ぶには、2つの3Dポイントセット間の不一致を測定するための優れたメトリクスが必要です。 以前の研究のほとんどは、チャンファー差分またはアースモーバー距離を用いるが、これらの測定基準は点雲の違いを測定するのに効果がないか、計算的に高価である。 本稿では,3次元点雲の距離測定実験を広範囲に行ない,系統的な研究を行う。 本研究では、3次元点群の表現を学習するために,スライスされたWasserstein距離と呼ばれるWasserstein距離の変種を使用することを提案する。 実験では、スライスされたWasserstein距離により、ニューラルネットワークはChamferの不一致と比較してより効率的な表現を学ぶことができます。 我々は,ポイントクラウドオートエンコーダ,ジェネレーティブモデリング,トランスファーラーニング,ポイントクラウド登録などの3次元コンピュータビジョンのタスクにおいて,スライスされたワッサースタイン計量の効率を実演する。

関連論文リスト

• Cross-Modal Self-Supervised Learning with Effective Contrastive Units for LiDAR Point Clouds [34.99995524090838]
  LiDARポイントクラウドにおける3D知覚は、自動運転車が3D環境で適切に機能するためには不可欠である。 3次元知覚モデルの自己教師付き事前学習への関心が高まっている。 我々は、自動運転点雲に適したインスタンス認識および類似性バランスのコントラストユニットを提案する。
  論文  参考訳（メタデータ） (2024-09-10T19:11:45Z)
• Unleash the Potential of 3D Point Cloud Modeling with A Calibrated Local Geometry-driven Distance Metric [62.365983810610985]
  そこで我々は,Callibated Local Geometry Distance (CLGD) と呼ばれる新しい距離測定法を提案する。 CLGDは、基準点の集合によってキャリブレーションされ誘導される基礎となる3次元表面の差を計算する。 一般的な指標として、CLGDは3Dポイントのクラウドモデリングを前進させる可能性がある。
  論文  参考訳（メタデータ） (2023-06-01T11:16:20Z)
• Point2Vec for Self-Supervised Representation Learning on Point Clouds [66.53955515020053]
  Data2vecをポイントクラウド領域に拡張し、いくつかのダウンストリームタスクで推奨される結果を報告します。 我々は、ポイントクラウド上でData2vecライクな事前トレーニングの可能性を解放するpoint2vecを提案する。
  論文  参考訳（メタデータ） (2023-03-29T10:08:29Z)
• CrossPoint: Self-Supervised Cross-Modal Contrastive Learning for 3D Point Cloud Understanding [2.8661021832561757]
  CrossPointは、転送可能な3Dポイントクラウド表現を学習するための、単純なクロスモーダルコントラスト学習アプローチである。 提案手法は,従来の教師なし学習手法よりも,3次元オブジェクト分類やセグメンテーションなど,さまざまな下流タスクにおいて優れていた。
  論文  参考訳（メタデータ） (2022-03-01T18:59:01Z)
• Efficient Urban-scale Point Clouds Segmentation with BEV Projection [0.0]
  ほとんどのディープポイントクラウドモデルは、直接3Dポイントクラウド上で学習を行います。 本稿では,高密度の鳥眼視射影に3次元点雲を移すことを提案する。
  論文  参考訳（メタデータ） (2021-09-19T06:49:59Z)
• Unsupervised Learning of Fine Structure Generation for 3D Point Clouds by 2D Projection Matching [66.98712589559028]
  微細な構造を持つ3次元点雲生成のための教師なしアプローチを提案する。 本手法は2次元シルエット画像から異なる解像度で微細な3次元構造を復元することができる。
  論文  参考訳（メタデータ） (2021-08-08T22:15:31Z)
• Self-supervised Learning of Point Clouds via Orientation Estimation [19.31778462735251]
  ラベルの少ないポイントクラウドでダウンストリームタスクを学習するために、私たちは3Dセルフスーパービジョンを活用しています。 点雲は無限に多くの方法で回転することができるので、自己超越のためにリッチなラベルのない情報源を提供する。
  論文  参考訳（メタデータ） (2020-08-01T17:49:45Z)
• Pseudo-LiDAR Point Cloud Interpolation Based on 3D Motion Representation and Spatial Supervision [68.35777836993212]
  我々はPseudo-LiDAR点雲ネットワークを提案し、時間的および空間的に高品質な点雲列を生成する。 点雲間のシーンフローを活用することにより,提案ネットワークは3次元空間運動関係のより正確な表現を学習することができる。
  論文  参考訳（メタデータ） (2020-06-20T03:11:04Z)
• DPDist : Comparing Point Clouds Using Deep Point Cloud Distance [12.676356746752898]
  本稿では,ポイントクラウド比較のための新しいディープラーニング手法を提案する。 我々のアプローチはディープ・ポイント・クラウド・ディスタンス (DPDist) と呼ばれ、1つのクラウド内の点と、もう1つのクラウドがサンプリングされる推定表面との間の距離を測定する。
  論文  参考訳（メタデータ） (2020-04-24T14:47:44Z)
• D3Feat: Joint Learning of Dense Detection and Description of 3D Local Features [51.04841465193678]
  私たちは3Dポイントクラウドに3D完全畳み込みネットワークを活用しています。 本稿では,3次元点ごとに検出スコアと記述特徴の両方を密に予測する,新しい,実践的な学習機構を提案する。 本手法は,屋内と屋外の両方のシナリオで最先端の手法を実現する。
  論文  参考訳（メタデータ） (2020-03-06T12:51:09Z)
• Deep Learning for 3D Point Clouds: A Survey [58.954684611055]
  本稿では,ポイントクラウドにおけるディープラーニング手法の最近の進歩を概観する。 3D形状分類、3Dオブジェクトの検出と追跡、3Dポイントクラウドセグメンテーションを含む3つの主要なタスクをカバーしている。 また、いくつかの公開データセットで比較結果を提示する。
  論文  参考訳（メタデータ） (2019-12-27T09:15:54Z)

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。