論文の概要: PRIN/SPRIN: On Extracting Point-wise Rotation Invariant Features

• arxiv url: http://arxiv.org/abs/2102.12093v1
• Date: Wed, 24 Feb 2021 06:44:09 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-25 13:32:16.658370
• Title: PRIN/SPRIN: On Extracting Point-wise Rotation Invariant Features
• Title（参考訳）: PRIN/SPRIN:Point-wise Rotation Invariant Featuresの抽出について
• Authors: Yang You, Yujing Lou, Ruoxi Shi, Qi Liu, Yu-Wing Tai, Lizhuang Ma, Weiming Wang, Cewu Lu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 91.2054994193218
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Point cloud analysis without pose priors is very challenging in real applications, as the orientations of point clouds are often unknown. In this paper, we propose a brand new point-set learning framework PRIN, namely, Point-wise Rotation Invariant Network, focusing on rotation invariant feature extraction in point clouds analysis. We construct spherical signals by Density Aware Adaptive Sampling to deal with distorted point distributions in spherical space. Spherical Voxel Convolution and Point Re-sampling are proposed to extract rotation invariant features for each point. In addition, we extend PRIN to a sparse version called SPRIN, which directly operates on sparse point clouds. Both PRIN and SPRIN can be applied to tasks ranging from object classification, part segmentation, to 3D feature matching and label alignment. Results show that, on the dataset with randomly rotated point clouds, SPRIN demonstrates better performance than state-of-the-art methods without any data augmentation. We also provide thorough theoretical proof and analysis for point-wise rotation invariance achieved by our methods. Our code is available on https://github.com/qq456cvb/SPRIN.
• Abstract（参考訳）: ポーズ先のないポイントクラウド分析は、ポイントクラウドの向きがよく分かっていないため、実際のアプリケーションでは非常に難しい。 本稿では,点群解析における回転不変特徴抽出に着目した,新しい点集合学習フレームワークPRIN(Point-wise Rotation Invariant Network)を提案する。 球面空間の歪み点分布を扱うために,密度認識適応サンプリングを用いて球面信号を構築する。 球面ボクセル畳み込みと点再サンプリングは各点の回転不変特徴を抽出するために提案される。 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。 PRINとSPRINの両方は、オブジェクトの分類、部分分割、3D機能マッチング、ラベルアライメントまで、タスクに適用できます。 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。 また,本手法により達成されたポイントワイド回転不変性の完全な理論的証明と解析を行う。 私たちのコードはhttps://github.com/qq456cvb/SPRINで利用可能です。

関連論文リスト

• CRIN: Rotation-Invariant Point Cloud Analysis and Rotation Estimation via Centrifugal Reference Frame [60.24797081117877]
  CRIN,すなわち遠心回転不変ネットワークを提案する。 CRINは点の座標を直接入力として取り、局所点を回転不変表現に変換する。 点に基づく3次元回転の連続分布を導入する。
  論文  参考訳（メタデータ） (2023-03-06T13:14:10Z)
• General Rotation Invariance Learning for Point Clouds via Weight-Feature Alignment [40.421478916432676]
  局所不変参照フレーム(IRF)を構築するために、ウェイト・フィーチャーアライメント(WFA)を提案する。 我々のWFAアルゴリズムは、すべての場面の点雲に対する一般的な解決策を提供する。
  論文  参考訳（メタデータ） (2023-02-20T11:08:07Z)
• 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)
• PU-Flow: a Point Cloud Upsampling Networkwith Normalizing Flows [58.96306192736593]
  本稿では,正規化フローを組み込んだPU-Flowについて述べる。 具体的には、重みが局所的な幾何学的文脈から適応的に学習される潜在空間において、アップサンプリング過程を点として定式化する。 提案手法は, 再現性, 近接精度, 計算効率の観点から, 最先端の深層学習手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-07-13T07:45:48Z)
• Robust Kernel-based Feature Representation for 3D Point Cloud Analysis via Circular Graph Convolutional Network [2.42919716430661]
  本稿では,回転,密度,スケール変動に堅牢な新しい局所特徴記述法を提案する。 局所記述子の表現を改善するために,グローバルアグリゲーション手法を提案する。 本手法は最先端手法と比較して優れた性能を示す。
  論文  参考訳（メタデータ） (2020-12-22T18:02:57Z)
• Deep Positional and Relational Feature Learning for Rotation-Invariant Point Cloud Analysis [107.9979381402172]
  点雲解析のための回転不変深層ネットワークを提案する。 ネットワークは階層的であり、位置的特徴埋め込みブロックと関係的特徴埋め込みブロックという2つのモジュールに依存している。 実験では、ベンチマークデータセット上で最先端の分類とセグメンテーション性能を示す。
  論文  参考訳（メタデータ） (2020-11-18T04:16:51Z)
• 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)
• Quaternion Equivariant Capsule Networks for 3D Point Clouds [58.566467950463306]
  本稿では,3次元回転と翻訳に同値な点雲を処理するための3次元カプセルモジュールを提案する。 カプセル間の動的ルーティングをよく知られたWeiszfeldアルゴリズムに接続する。 オペレーターに基づいて、ポーズから幾何学をアンタングルするカプセルネットワークを構築します。
  論文  参考訳（メタデータ） (2019-12-27T13:51:17Z)

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。