論文の概要: Noise Injection-based Regularization for Point Cloud Processing
- arxiv url: http://arxiv.org/abs/2103.15027v1
- Date: Sun, 28 Mar 2021 00:55:25 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-01 09:05:06.635085
- Title: Noise Injection-based Regularization for Point Cloud Processing
- Title（参考訳）: ノイズ注入によるポイントクラウド処理の規則化
- Authors: Xiao Zang, Yi Xie, Siyu Liao, Jie Chen, Bo Yuan
- Abstract要約: ノイズ注入に基づく正規化は、ディープニューラルネットワーク(DNN)の性能向上のために画像領域で広く利用されている。
ポイント特徴マップ上でノイズインジェクションを行うために,DropFeat,DropPoint,DropClusterといった一連の正規化手法を提案する。
実験の結果,本手法による性能改善効果が示された。
- 参考スコア（独自算出の注目度）: 17.742343473850063
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Noise injection-based regularization, such as Dropout, has been widely used
in image domain to improve the performance of deep neural networks (DNNs).
However, efficient regularization in the point cloud domain is rarely
exploited, and most of the state-of-the-art works focus on data
augmentation-based regularization. In this paper, we, for the first time,
perform systematic investigation on noise injection-based regularization for
point cloud-domain DNNs. To be specific, we propose a series of regularization
techniques, namely DropFeat, DropPoint and DropCluster, to perform noise
injection on the point feature maps at the feature level, point level and
cluster level, respectively. We also empirically analyze the impacts of
different factors, including dropping rate, cluster size and dropping position,
to obtain useful insights and general deployment guidelines, which can
facilitate the adoption of our approaches across different datasets and DNN
architectures.
We evaluate our proposed approaches on various DNN models for different point
cloud processing tasks. Experimental results show our approaches enable
significant performance improvement. Notably, our DropCluster brings 1.5%, 1.3%
and 0.8% higher overall accuracy for PointNet, PointNet++ and DGCNN,
respectively, on ModelNet40 shape classification dataset. On ShapeNet part
segmentation dataset, DropCluster brings 0.5%, 0.5% and 0.2% mean
Intersection-over-union (IoU) increase for PointNet, PointNet++ and DGCNN,
respectively. On S3DIS semantic segmentation dataset, DropCluster improves the
mean IoU of PointNet, PointNet++ and DGCNN by 3.2%, 2.9% and 3.7%,
respectively. Meanwhile, DropCluster also enables the overall accuracy increase
for these three popular backbone DNNs by 2.4%, 2.2% and 1.8%, respectively.
- Abstract（参考訳）: Dropoutのようなノイズ注入に基づく正規化は、ディープニューラルネットワーク(DNN)の性能向上のために画像領域で広く利用されている。
しかし、ポイントクラウド領域における効率的な正規化はめったに利用されず、最先端の作業の多くはデータ拡張ベースの正規化に焦点を当てている。
本稿では,まず,ポイントクラウドドメインDNNにおけるノイズ注入に基づく正規化の体系化について検討する。
具体的には、機能レベル、ポイントレベル、クラスタレベルの各ポイントフィーチャーマップにノイズ注入を行うために、dropfeat、droppoint、dropclusterという一連の正規化手法を提案する。
また、異なるデータセットやdnnアーキテクチャにおけるアプローチの採用を促進する有用な洞察と一般的なデプロイメントガイドラインを得るために、速度の低下、クラスタサイズ、位置の低下など、さまざまな要因の影響を実証的に分析します。
異なるポイントクラウド処理タスクに対する様々なDNNモデルに対する提案手法の評価を行った。
実験の結果,本手法による性能改善効果が示された。
特に、私たちのDropClusterは、ModelNet40形状分類データセットで、PointNet、PointNet++、DGCNNの全体的な精度を1.5%、1.3%、0.8%向上させています。
shapenetの部分セグメンテーションデータセットでは、dropclusterは0.5%、0.5%、0.2%がpointnet、pointnet++、dgcnnのintersection-over-union(iou)増加をもたらしている。
s3disセマンティックセグメンテーションデータセットでは、dropclusterはpointnet、pointnet++、dgcnnの平均iouをそれぞれ3.2%、2.9%、3.7%改善している。
一方、DropClusterは、これら3つの人気バックボーンDNNの全体的な精度を2.4%、 2.2%、 1.8%向上させることができる。
関連論文リスト
- Class-Imbalanced Semi-Supervised Learning for Large-Scale Point Cloud
Semantic Segmentation via Decoupling Optimization [64.36097398869774]
半教師付き学習(SSL)は大規模3Dシーン理解のための活発な研究課題である。
既存のSSLベースのメソッドは、クラス不均衡とポイントクラウドデータのロングテール分布による厳しいトレーニングバイアスに悩まされている。
本稿では,特徴表現学習と分類器を別の最適化方法で切り離してバイアス決定境界を効果的にシフトする,新しいデカップリング最適化フレームワークを提案する。
論文 参考訳（メタデータ） (2024-01-13T04:16:40Z) - Point Cloud Pre-training with Diffusion Models [62.12279263217138]
我々は、ポイントクラウド拡散事前学習(PointDif)と呼ばれる新しい事前学習手法を提案する。
PointDifは、分類、セグメンテーション、検出など、さまざまな下流タスクのために、さまざまな現実世界のデータセット間で大幅に改善されている。
論文 参考訳（メタデータ） (2023-11-25T08:10:05Z) - Faster and Accurate Neural Networks with Semantic Inference [9.372908891132772]
我々は、潜在表現における固有の冗長性を利用して、性能の低下に制限された計算負荷を削減する。
セマンティック推論(SINF)と呼ばれる新しいフレームワークは、オブジェクトが属するセマンティッククラスタを特定し、推論のためにそのセマンティッククラスタから抽出されたサブグラフを実行する。
識別能力スコア(DCS)と呼ばれる新しいアプローチでは、特定のセマンティッククラスタのメンバー間で識別可能なサブグラフを見つける。
論文 参考訳（メタデータ） (2023-10-02T14:51:10Z) - Clustering based Point Cloud Representation Learning for 3D Analysis [80.88995099442374]
本稿では,ポイントクラウド分析のためのクラスタリングに基づく教師付き学習手法を提案する。
現在のデファクトでシーンワイドなトレーニングパラダイムとは異なり、我々のアルゴリズムは点埋め込み空間上でクラス内のクラスタリングを行う。
我々のアルゴリズムは、有名なポイントクラウドセグメンテーションデータセットの顕著な改善を示している。
論文 参考訳（メタデータ） (2023-07-27T03:42:12Z) - PointPatchMix: Point Cloud Mixing with Patch Scoring [58.58535918705736]
我々は、パッチレベルでポイントクラウドを混合し、混合ポイントクラウドのコンテンツベースターゲットを生成するPointPatchMixを提案する。
パッチスコアリングモジュールは、事前学習した教師モデルから、コンテンツに基づく重要度スコアに基づいて目標を割り当てる。
Point-MAE をベースラインとして,ScanObjectNN では86.3%,ModelNet40 では94.1% の精度で,従来の手法をかなり上回りました。
論文 参考訳（メタデータ） (2023-03-12T14:49:42Z) - Improved Aggregating and Accelerating Training Methods for Spatial Graph
Neural Networks on Fraud Detection [0.0]
本稿では,CARE-GNNをResidual Layered CARE-GNN(RLC-GNN)と呼ばれるディープモデルに拡張する改良されたディープアーキテクチャを提案する。
RLC-GNNの3つの課題は、近隣情報の利用が制限に達すること、訓練の難しさ、およびノードの特徴や外部パターンに関する包括的な考慮の欠如である。
YelpとAmazonのデータセットで実験が行われる。
論文 参考訳（メタデータ） (2022-02-14T09:51:35Z) - FatNet: A Feature-attentive Network for 3D Point Cloud Processing [1.502579291513768]
本稿では,グローバルポイントベースの機能とエッジベースの機能を組み合わせた,新たな機能指向ニューラルネットワーク層であるfat layerを提案する。
当社のアーキテクチャは,ModelNet40データセットで示すように,ポイントクラウド分類のタスクにおける最先端の成果を達成する。
論文 参考訳（メタデータ） (2021-04-07T23:13:56Z) - PV-RCNN++: Point-Voxel Feature Set Abstraction With Local Vector
Representation for 3D Object Detection [100.60209139039472]
点雲からの正確な3次元検出を行うために,PointVoxel Region based Convolution Neural Networks (PVRCNNs)を提案する。
提案するPV-RCNNは,Openデータセットと高競争性KITTIベンチマークの両方において,従来の最先端3D検出方法よりも大幅に優れていた。
論文 参考訳（メタデータ） (2021-01-31T14:51:49Z) - Recalibration of Neural Networks for Point Cloud Analysis [3.7814216736076434]
3Dポイントクラウドのためのディープニューラルネットワーク上での再校正モジュールを導入する。
提案モジュールを3次元ポイントクラウド解析のための3つの最先端ネットワークに組み込むことで,提案モジュールのメリットと汎用性を実証する。
第2の実験では,アルツハイマー病の診断における再校正ブロックの利点について検討した。
論文 参考訳（メタデータ） (2020-11-25T17:14:34Z) - PointGroup: Dual-Set Point Grouping for 3D Instance Segmentation [111.7241018610573]
私たちは、インスタンスセグメンテーションのための新しいエンドツーエンドボトムアップアーキテクチャであるPointGroupを紹介します。
我々は2分岐ネットワークを設計し、ポイントの特徴を抽出し、セマンティックラベルとオフセットを予測し、各ポイントをそれぞれのインスタンスセントロイドに向けてシフトさせる。
クラスタリングコンポーネントは、元のおよびオフセットシフトされた点座標セットの両方を利用するために、その相補的な強度を利用する。
ScanNet v2 と S3DIS の2つの挑戦的データセットに対する広範な実験を行い、ScanNet v2 と S3DIS が最も高い性能を達成し、63.6% と 64.0% の2つを以前のベストが達成した54.9% と54.4% と比較した。
論文 参考訳（メタデータ） (2020-04-03T16:26:37Z)
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。