論文の概要: PAConv: Position Adaptive Convolution with Dynamic Kernel Assembling on Point Clouds

• arxiv url: http://arxiv.org/abs/2103.14635v1
• Date: Fri, 26 Mar 2021 17:52:38 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-29 12:39:19.848549
• Title: PAConv: Position Adaptive Convolution with Dynamic Kernel Assembling on Point Clouds
• Title（参考訳）: PAConv: ポイントクラウド上に動的カーネルを組み込んだ位置適応型コンボリューション
• Authors: Mutian Xu, Runyu Ding, Hengshuang Zhao, Xiaojuan Qi
• Abstract要約: PAConvは、3Dポイントクラウド処理のための汎用畳み込み操作です。 カーネルはデータ駆動方式で構築されており、PAConvは2D畳み込みよりも柔軟性がある。 単純なネットワーク上で構築された場合でも、この手法は最先端のモデルにアプローチしたり、超えたりします。
• 参考スコア（独自算出の注目度）: 33.41204351513122
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce Position Adaptive Convolution (PAConv), a generic convolution operation for 3D point cloud processing. The key of PAConv is to construct the convolution kernel by dynamically assembling basic weight matrices stored in Weight Bank, where the coefficients of these weight matrices are self-adaptively learned from point positions through ScoreNet. In this way, the kernel is built in a data-driven manner, endowing PAConv with more flexibility than 2D convolutions to better handle the irregular and unordered point cloud data. Besides, the complexity of the learning process is reduced by combining weight matrices instead of brutally predicting kernels from point positions. Furthermore, different from the existing point convolution operators whose network architectures are often heavily engineered, we integrate our PAConv into classical MLP-based point cloud pipelines without changing network configurations. Even built on simple networks, our method still approaches or even surpasses the state-of-the-art models, and significantly improves baseline performance on both classification and segmentation tasks, yet with decent efficiency. Thorough ablation studies and visualizations are provided to understand PAConv. Code is released on https://github.com/CVMI Lab/PAConv.
• Abstract（参考訳）: 本稿では,3dポイントクラウド処理のための汎用畳み込み演算であるpaconv( position adaptive convolution)を提案する。 PAConvの鍵は、ウェイトバンクに格納された基本重み行列を動的に組み立てることで、畳み込みカーネルを構築することである。 このように、カーネルはデータ駆動方式で構築され、2Dコンボリューションよりも柔軟性の高いPAConvが不規則で非秩序なポイントクラウドデータを処理する。 さらに、点位置からカーネルを残酷に予測するのではなく、重み行列を組み合わせることで、学習プロセスの複雑さが低減される。 さらに、ネットワークアーキテクチャが多用される既存のポイント畳み込み演算子とは異なり、ネットワーク構成を変更することなく、PAConvを従来のMLPベースのポイントクラウドパイプラインに統合します。 単純なネットワーク上に構築しても,最先端のモデルにアプローチしたり,あるいは超越したりすることで,分類タスクとセグメント化タスクのベースライン性能を大幅に向上する。 PAConvを理解するために、徹底的なアブレーション研究と可視化が提供される。 コードはhttps://github.com/cvmi lab/paconvでリリースされている。

関連論文リスト

• Omni-Dimensional Dynamic Convolution [25.78940854339179]
  各畳み込み層で単一の静的畳み込みカーネルを学習することは、現代の畳み込みニューラルネットワーク(CNN)の共通の訓練パラダイムである。 動的畳み込みの最近の研究は、入力依存の注意を重み付けした$n$の畳み込みカーネルの線形結合を学習することで、軽量CNNの精度を大幅に向上させることができることを示している。 より一般化されているがエレガントな動的畳み込み設計であるOmni-dimensional Dynamic Convolution (ODConv)を提案する。
  論文  参考訳（メタデータ） (2022-09-16T14:05:38Z)
• Focal Sparse Convolutional Networks for 3D Object Detection [121.45950754511021]
  我々はスパースCNNの能力を高めるために2つの新しいモジュールを導入する。 焦点スパース・コンボリューション(Focals Conv)であり、焦点スパース・コンボリューションの多様変種である。 スパース・コンボリューションにおける空間的に学習可能な空間空間性は,高度な3次元物体検出に不可欠であることを示す。
  論文  参考訳（メタデータ） (2022-04-26T17:34:10Z)
• DFC: Deep Feature Consistency for Robust Point Cloud Registration [0.4724825031148411]
  複雑なアライメントシーンのための学習に基づくアライメントネットワークを提案する。 我々は,3DMatchデータセットとKITTIオドメトリデータセットに対するアプローチを検証する。
  論文  参考訳（メタデータ） (2021-11-15T08:27:21Z)
• Adaptive Graph Convolution for Point Cloud Analysis [25.175406613705274]
  本稿では,動的に学習した特徴に応じて適応的なカーネルを生成する適応グラフ畳み込み(Adaptive Graph Convolution, AdaptConv)を提案する。 提案手法は,いくつかのベンチマークデータセットにおいて,最先端のクラウド分類とセグメンテーションアプローチより優れている。
  論文  参考訳（メタデータ） (2021-08-18T08:38:52Z)
• Dynamic Convolution for 3D Point Cloud Instance Segmentation [146.7971476424351]
  動的畳み込みに基づく3次元点雲からのインスタンスセグメンテーション手法を提案する。 我々は、同じ意味圏と閉投票を持つ等質点を幾何学的遠近点に対して収集する。 提案手法は提案不要であり、代わりに各インスタンスの空間的および意味的特性に適応する畳み込みプロセスを利用する。
  論文  参考訳（メタデータ） (2021-07-18T09:05:16Z)
• DV-ConvNet: Fully Convolutional Deep Learning on Point Clouds with Dynamic Voxelization and 3D Group Convolution [0.7340017786387767]
  3次元点雲の解釈は、成分点のランダム性と空間性のために難しい課題である。 本研究では,効率的な3Dポイントクラウド解釈に向けて,標準的な3Dコンボリューションに注意を向ける。 我々のネットワークは、非常に高速に動作し、収束することができるが、いくつかのベンチマークデータセットの最先端の手法と比較して、オンパーまたはさらにパフォーマンスが向上する。
  論文  参考訳（メタデータ） (2020-09-07T07:45:05Z)
• PSConv: Squeezing Feature Pyramid into One Compact Poly-Scale Convolutional Layer [76.44375136492827]
  畳み込みニューラルネットワーク(CNN)は、しばしばスケールに敏感である。 我々は、この後悔を、より細かい粒度でマルチスケールの機能を利用して埋める。 提案した畳み込み演算は、PSConv(Poly-Scale Convolution)と呼ばれ、拡張率のスペクトルを混合する。
  論文  参考訳（メタデータ） (2020-07-13T05:14:11Z)
• Permutation Matters: Anisotropic Convolutional Layer for Learning on Point Clouds [145.79324955896845]
  本稿では,各点のソフトな置換行列を計算する変分異方性畳み込み演算(PAI-Conv)を提案する。 点雲の実験により、PAI-Convは分類とセマンティックセグメンテーションのタスクにおいて競合する結果をもたらすことが示された。
  論文  参考訳（メタデータ） (2020-05-27T02:42:29Z)
• 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)
• PointGMM: a Neural GMM Network for Point Clouds [83.9404865744028]
  点雲は3次元形状の一般的な表現であるが、形状の先行や非局所的な情報を考慮せずに特定のサンプリングを符号化する。 本稿では,形状クラスの特徴であるhGMMの生成を学習するニューラルネットワークであるPointGMMを提案する。 生成モデルとして、PointGMMは既存の形状間の整合性を生成できる有意義な潜在空間を学習することを示す。
  論文  参考訳（メタデータ） (2020-03-30T10:34:59Z)

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。