論文の概要: Spherical Message Passing for 3D Graph Networks

• arxiv url: http://arxiv.org/abs/2102.05013v1
• Date: Tue, 9 Feb 2021 18:31:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-10 14:57:10.550164
• Title: Spherical Message Passing for 3D Graph Networks
• Title（参考訳）: 3次元グラフネットワークのための球状メッセージパッシング
• Authors: Yi Liu, Limei Wang, Meng Liu, Xuan Zhang, Bora Oztekin, Shuiwang Ji
• Abstract要約: 本稿では,各ノードが空間的位置と関連付けられている3次元グラフからの表現学習について考察する。 本稿では,3次元グラフネットワーク(3DGN)と呼ばれる汎用フレームワークを提案する。 幾何学的情報の物理的表現を導出し、3次元グラフの表現を学習するためのSphereNetを提案する。
• 参考スコア（独自算出の注目度）: 40.10938363608572
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider representation learning from 3D graphs in which each node is associated with a spatial position in 3D. This is an under explored area of research, and a principled framework is currently lacking. In this work, we propose a generic framework, known as the 3D graph network (3DGN), to provide a unified interface at different levels of granularity for 3D graphs. Built on 3DGN, we propose the spherical message passing (SMP) as a novel and specific scheme for realizing the 3DGN framework in the spherical coordinate system (SCS). We conduct formal analyses and show that the relative location of each node in 3D graphs is uniquely defined in the SMP scheme. Thus, our SMP represents a complete and accurate architecture for learning from 3D graphs in the SCS. We derive physically-based representations of geometric information and propose the SphereNet for learning representations of 3D graphs. We show that existing 3D deep models can be viewed as special cases of the SphereNet. Experimental results demonstrate that the use of complete and accurate 3D information in 3DGN and SphereNet leads to significant performance improvements in prediction tasks.
• Abstract（参考訳）: 各ノードが3Dの空間位置と関連づけられる3Dグラフから表現学習を検討する。 これは研究の未踏の領域であり、原則化されたフレームワークは現在欠けている。 本研究では、3Dグラフの粒度の異なるレベルで統一されたインターフェースを提供するために、3Dグラフネットワーク(3DGN)として知られるジェネリックフレームワークを提案する。 3DGNをベースに、球状座標系(SCS)における3DGNフレームワーク実現のための新規で具体的なスキームとして、球状メッセージパッシング(SMP)を提案する。 我々は形式解析を行い、3次元グラフの各ノードの相対的な位置がSMPスキームで一意に定義されることを示す。 したがって、SMPはSCSの3次元グラフから学習するための完全かつ正確なアーキテクチャである。 幾何学的情報の物理的表現を導出し、3次元グラフの表現を学習するためのSphereNetを提案する。 既存の3D深層モデルがSphereNetの特別なケースとして見ることができることを示す。 実験結果は、3DGNおよびSphereNetにおける完全かつ正確な3D情報の使用が予測タスクの大幅なパフォーマンス向上につながることを実証した。

関連論文リスト

• 3D Geometry-aware Deformable Gaussian Splatting for Dynamic View Synthesis [49.352765055181436]
  動的ビュー合成のための3次元幾何学的変形可能なガウススメッティング法を提案する。 提案手法は,動的ビュー合成と3次元動的再構成を改良した3次元形状認識変形モデリングを実現する。
  論文  参考訳（メタデータ） (2024-04-09T12:47:30Z)
• Dense Graph Convolutional Neural Networks on 3D Meshes for 3D Object Segmentation and Classification [0.0]
  本稿では3次元メッシュ上でのグラフ畳み込みニューラルネットワーク(GCN)の設計について述べる。 メッシュの顔を基本処理単位とし、各ノードが顔に対応するグラフとして3Dメッシュを表現する。
  論文  参考訳（メタデータ） (2021-06-30T02:17:16Z)
• SN-Graph: a Minimalist 3D Object Representation for Classification [4.145824494809195]
  本稿では,3次元オブジェクトを表現するためのSphere Node Graph (SN-Graph)を提案する。 具体的には、署名された距離場(SDF)から特定の内部球体(ノードとして)を抽出し、その後、球体ノード間の接続(エッジとして)を確立してグラフを構築する。 ModelNet40データセットで行った実験では、グラフにノードが少ない場合や、テスト対象が任意に回転する場合、SN-Graphの分類精度が著しく高いことが示されている。
  論文  参考訳（メタデータ） (2021-05-31T08:24:09Z)
• Concentric Spherical GNN for 3D Representation Learning [53.45704095146161]
  同心球面特徴写像を学習するための新しい多解畳み込みアーキテクチャを提案する。 当社の階層的アーキテクチャは、球内情報と球間情報の両方を組み込むための代替学習に基づいています。 回転データを用いた3次元分類作業における最先端性能向上へのアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2021-03-18T19:05:04Z)
• Interactive Annotation of 3D Object Geometry using 2D Scribbles [84.51514043814066]
  本稿では,ポイントクラウドデータとRGB画像から3次元オブジェクト形状をアノテートする対話型フレームワークを提案する。 当社のフレームワークは,芸術的,グラフィック的専門知識のないナイーブユーザを対象としている。
  論文  参考訳（メタデータ） (2020-08-24T21:51:29Z)
• Cylinder3D: An Effective 3D Framework for Driving-scene LiDAR Semantic Segmentation [87.54570024320354]
  大規模運転シーンのLiDARセマンティックセマンティックセグメンテーションのための最先端の手法は、しばしば2D空間の点雲を投影して処理する。 3D-to-2Dプロジェクションの問題に取り組むための簡単な解決策は、3D表現を保ち、3D空間の点を処理することである。 我々は3次元シリンダー分割と3次元シリンダー畳み込みに基づくフレームワークをCylinder3Dとして開発し,3次元トポロジの関係と運転シーンの点雲の構造を利用する。
  論文  参考訳（メタデータ） (2020-08-04T13:56:19Z)
• Distance-Geometric Graph Convolutional Network (DG-GCN) for Three-Dimensional (3D) Graphs [0.8722210937404288]
  距離幾何学グラフ表現に基づくメッセージパッシンググラフ畳み込みネットワークを提案する。 距離からフィルタ重みの学習を可能にし、3次元グラフの幾何学をグラフ畳み込みに組み込む。 本研究は3次元グラフ,特に分子グラフ上でのエンドツーエンドディープラーニングにおけるDG-GCNの有用性と価値を示す。
  論文  参考訳（メタデータ） (2020-07-06T15:20:52Z)
• Learning Local Neighboring Structure for Robust 3D Shape Representation [143.15904669246697]
  3Dメッシュの表現学習は多くのコンピュータビジョンやグラフィックスアプリケーションにおいて重要である。 局所構造認識型異方性畳み込み操作(LSA-Conv)を提案する。 本モデルでは,3次元形状復元において最先端の手法に比べて顕著な改善が得られた。
  論文  参考訳（メタデータ） (2020-04-21T13:40:03Z)

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。