論文の概要: Equivariant Point Network for 3D Point Cloud Analysis
- arxiv url: http://arxiv.org/abs/2103.14147v1
- Date: Thu, 25 Mar 2021 21:57:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-30 01:14:34.084791
- Title: Equivariant Point Network for 3D Point Cloud Analysis
- Title(参考訳): 3次元点雲解析のための等変点ネットワーク
- Authors: Haiwei Chen and Shichen Liu and Weikai Chen and Hao Li and Randall
Hill
- Abstract要約: 点雲解析のための実効的で実用的なSE(3)(3次元翻訳と回転)同変ネットワークを提案する。
まず,6次元の畳み込みを2つの分離可能な畳み込み作用素に分解する新しい枠組みであるSE(3)分離点畳み込みを提案する。
第2に,同変特徴の表現性を効果的に活用するアテンション層を導入する。
- 参考スコア(独自算出の注目度): 17.689949017410836
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Features that are equivariant to a larger group of symmetries have been shown
to be more discriminative and powerful in recent studies. However, higher-order
equivariant features often come with an exponentially-growing computational
cost. Furthermore, it remains relatively less explored how rotation-equivariant
features can be leveraged to tackle 3D shape alignment tasks. While many past
approaches have been based on either non-equivariant or invariant descriptors
to align 3D shapes, we argue that such tasks may benefit greatly from an
equivariant framework. In this paper, we propose an effective and practical
SE(3) (3D translation and rotation) equivariant network for point cloud
analysis that addresses both problems. First, we present SE(3) separable point
convolution, a novel framework that breaks down the 6D convolution into two
separable convolutional operators alternatively performed in the 3D Euclidean
and SO(3) spaces. This significantly reduces the computational cost without
compromising the performance. Second, we introduce an attention layer to
effectively harness the expressiveness of the equivariant features. While
jointly trained with the network, the attention layer implicitly derives the
intrinsic local frame in the feature space and generates attention vectors that
can be integrated into different alignment tasks. We evaluate our approach
through extensive studies and visual interpretations. The empirical results
demonstrate that our proposed model outperforms strong baselines in a variety
of benchmarks
- Abstract(参考訳): より大きな対称性群に等しい特徴は、近年の研究においてより差別的で強力であることが示されている。
しかし、高階同値な特徴はしばしば指数関数的に増加する計算コストを伴う。
さらに,3次元形状アライメントタスクに対処するために,回転同変特性をどのように活用できるかは,まだ明らかになっていない。
過去の多くのアプローチは3次元形状を整列する非不変あるいは不変の記述子に基づいているが、そのようなタスクは同変フレームワークから大きな恩恵を受けるかもしれない。
本稿では,両問題に対処するポイントクラウド解析のための有効かつ実用的なse(3)(3次元変換および回転)同変ネットワークを提案する。
まず、6次元畳み込みを2つの分離可能な畳み込み作用素に分解し、3次元ユークリッド空間とso(3)空間で交互に行う新しい枠組みであるse(3) separable point convolutionを提案する。
これにより、性能を損なうことなく計算コストを大幅に削減できる。
第2に,同変特徴の表現性を効果的に活用するアテンション層を導入する。
注意層はネットワークと共同で訓練しながら、特徴空間の固有の局所フレームを暗黙的に導き出し、異なるアライメントタスクに統合可能な注意ベクトルを生成する。
我々は幅広い研究と視覚的解釈を通してアプローチを評価する。
実験結果から,提案モデルが様々なベンチマークにおいて強いベースラインを上回ることを示す。
関連論文リスト
- Equivariant Spatio-Temporal Self-Supervision for LiDAR Object Detection [37.142470149311904]
本研究では,空間的および時間的拡張を両立させることにより,時間的同変学習の枠組みを提案する。
既存の等変および不変のアプローチを多くの設定で上回る3次元物体検出のための事前学習法を示す。
論文 参考訳(メタデータ) (2024-04-17T20:41:49Z) - SVNet: Where SO(3) Equivariance Meets Binarization on Point Cloud
Representation [65.4396959244269]
本論文は,3次元学習アーキテクチャを構築するための一般的なフレームワークを設計することによる課題に対処する。
提案手法はPointNetやDGCNNといった一般的なバックボーンに適用できる。
ModelNet40、ShapeNet、および実世界のデータセットであるScanObjectNNの実験では、この手法が効率、回転、精度の間の大きなトレードオフを達成することを示した。
論文 参考訳(メタデータ) (2022-09-13T12:12:19Z) - PDO-s3DCNNs: Partial Differential Operator Based Steerable 3D CNNs [69.85869748832127]
本研究では、3Dフィルタをモデル化するために偏微分演算子(PDO)を用い、PDO-s3DCNNと呼ばれる一般的な3D CNNを導出する。
等変フィルタは線形制約の対象であり, 様々な条件下で効率的に解けることを示す。
論文 参考訳(メタデータ) (2022-08-07T13:37:29Z) - E2PN: Efficient SE(3)-Equivariant Point Network [12.520265159777255]
本稿では,3次元点雲からSE(3)-等価特徴を学習するための畳み込み構造を提案する。
カーネルポイント畳み込み(カーネルポイントコンボリューション、カーネルポイントコンボリューション、カーネルポイントコンボリューション、カーネルポイントコンボリューション、カーネルポイントコンボリューション、カーネルポイントコンボリューション、カーネルポイントコンボリューション、カーネルポイントコンボリューション、カーネルポイントコンボリューション、KPConv、カーネルポイントコンボリューション、カーネルポイントコンボリューション、カーネルポイントコンボリューション、カーネルポイントコンボリューション
論文 参考訳(メタデータ) (2022-06-11T02:15:46Z) - 3D Equivariant Graph Implicit Functions [51.5559264447605]
局所的詳細のモデリングを容易にする同変層を持つグラフ暗黙関数の新しいファミリを導入する。
提案手法は,ShapeNet再構成作業において既存の回転同変暗黙関数を0.69から0.89に改善する。
論文 参考訳(メタデータ) (2022-03-31T16:51:25Z) - Adjoint Rigid Transform Network: Task-conditioned Alignment of 3D Shapes [86.2129580231191]
Adjoint Rigid Transform (ART) Networkは、さまざまな3Dネットワークと統合可能なニューラルネットワークモジュールである。
ARTは入力の形状を学習した標準方向に回転させることを学び、多くのタスクに欠かせない。
さらなる研究のために、コードと事前訓練されたモデルをリリースします。
論文 参考訳(メタデータ) (2021-02-01T20:58:45Z) - Rotation-Invariant Point Convolution With Multiple Equivariant
Alignments [1.0152838128195467]
回転同変アライメントを用いることで、任意の畳み込み層を回転不変にすることができることを示す。
このコア層では、オブジェクト分類とセマンティックセグメンテーションの両方における最先端の結果を改善する回転不変アーキテクチャを設計します。
論文 参考訳(メタデータ) (2020-12-07T20:47:46Z) - SE(3)-Transformers: 3D Roto-Translation Equivariant Attention Networks [71.55002934935473]
連続的な3次元ロト変換の下で同変である3次元点雲とグラフに対する自己アテンションモジュールの変種であるSE(3)-Transformerを導入する。
我々は, 入力の回転下での予測の頑健性を示す, おもちゃのN体粒子シミュレーションデータセットを用いて, モデルの評価を行った。
論文 参考訳(メタデータ) (2020-06-18T13:23:01Z) - 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。