論文の概要: Deep regression on manifolds: a 3D rotation case study
- arxiv url: http://arxiv.org/abs/2103.16317v1
- Date: Tue, 30 Mar 2021 13:07:36 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-31 14:54:41.662421
- Title: Deep regression on manifolds: a 3D rotation case study
- Title(参考訳): 多様体上の深い回帰:3次元回転のケーススタディ
- Authors: Romain Br\'egier
- Abstract要約: ユークリッド空間の任意の入力をこの多様体に写す微分可能函数は、適切な訓練を可能にするために満足すべきであることを示す。
3次元回転空間上の様々な微分可能写像と、写像の局所線型性の重要性に関する予想を比較する。
3x3行列のプロクルストーソノーマリゼーションに基づく写像は、一般的に考慮されたものの中で最良であることを示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Many problems in machine learning involve regressing outputs that do not lie
on a Euclidean space, such as a discrete probability distribution, or the pose
of an object. An approach to tackle these problems through gradient-based
learning consists in including in the deep learning architecture a
differentiable function mapping arbitrary inputs of a Euclidean space onto this
manifold. In this work, we establish a set of properties that such mapping
should satisfy to allow proper training, and illustrate it in the case of 3D
rotations. Through theoretical considerations and methodological experiments on
a variety of tasks, we compare various differentiable mappings on the 3D
rotation space, and conjecture about the importance of the local linearity of
the mapping. We notably show that a mapping based on Procrustes
orthonormalization of a 3x3 matrix generally performs best among the ones
considered, but that rotation-vector representation might also be suitable when
restricted to small angles.
- Abstract(参考訳): 機械学習における多くの問題は、離散確率分布やオブジェクトのポーズのようなユークリッド空間にない出力を回帰させることである。
勾配に基づく学習を通してこれらの問題に取り組むアプローチは、ディープラーニングアーキテクチャにユークリッド空間の任意の入力をこの多様体にマッピングする微分可能な関数を含めることである。
本研究では,そのようなマッピングが適切なトレーニングを可能にするために満たすべき性質の集合を定式化し,それを3次元回転の場合に説明する。
様々なタスクに関する理論的考察と方法論実験を通じて、3次元回転空間上の様々な微分可能写像を比較し、写像の局所線型性の重要性を推測する。
特に, 3x3 行列の直交正規化に基づく写像は, 概ね考慮されているものの中で最もよく機能するが, 回転ベクトル表現は小さい角度に制限される場合にも適していることを示した。
関連論文リスト
- Non-parametric regression for robot learning on manifolds [0.0]
ロボット学習において、多様体値のデータはしばしば、多様体を適切なユークリッド空間に関連付けることによって処理される。
我々は、多様体内で直接作用する回帰に対する「本質的な」アプローチを提案する。
論文 参考訳(メタデータ) (2023-10-30T14:17:32Z) - Evaluating 3D Shape Analysis Methods for Robustness to Rotation
Invariance [22.306775502181818]
本稿では,最近の3次元形状記述子のSO(3)回転に対する堅牢性について解析する。
物体が異なる方向で行われる3次元屋内シーンのデータベースを考察する。
論文 参考訳(メタデータ) (2023-05-29T18:39:31Z) - Neural Vector Fields: Implicit Representation by Explicit Learning [63.337294707047036]
ニューラルベクトル場 (Neural Vector Fields, NVF) という新しい3次元表現法を提案する。
メッシュを直接操作するための明示的な学習プロセスを採用するだけでなく、符号なし距離関数(UDF)の暗黙的な表現も採用している。
提案手法は,まず表面への変位クエリを予測し,テキスト再構成として形状をモデル化する。
論文 参考訳(メタデータ) (2023-03-08T02:36:09Z) - Measuring dissimilarity with diffeomorphism invariance [94.02751799024684]
DID(DID)は、幅広いデータ空間に適用可能なペアワイズな相似性尺度である。
我々は、DIDが理論的研究と実用に関係のある特性を享受していることを証明する。
論文 参考訳(メタデータ) (2022-02-11T13:51:30Z) - DeepMesh: Differentiable Iso-Surface Extraction [53.77622255726208]
本稿では,Deep Implicit Fieldsから表面メッシュを明示的に表現する方法を提案する。
我々の重要な洞察は、暗黙の場摂動が局所的な表面形状にどのように影響するかを推論することによって、最終的に表面サンプルの3次元位置を区別できるということである。
私たちはこれを利用して、そのトポロジを変えることができるDeepMesh – エンドツーエンドの差別化可能なメッシュ表現を定義する。
論文 参考訳(メタデータ) (2021-06-20T20:12:41Z) - Equivariant Point Network for 3D Point Cloud Analysis [17.689949017410836]
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。
論文 参考訳(メタデータ) (2021-03-25T21:57:10Z) - 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) - Learning to Orient Surfaces by Self-supervised Spherical CNNs [15.554429755106332]
3D表面の標準配向の定義と確実な発見は、多くのコンピュータビジョンとロボティクスアプリケーションにとって鍵となる。
点雲として表される曲面に対する頑健な正準方向の学習の実現可能性を示す。
提案手法は, 自己教師付き訓練手順により生データからこのような特徴マップを学習し, 入力点雲を学習正準方向に変換する回転を頑健に選択する。
論文 参考訳(メタデータ) (2020-11-06T11:43:57Z) - An Analysis of SVD for Deep Rotation Estimation [63.97835949897361]
SVDが回転群に射影する自然な選択であることを示す理論的解析を提案する。
解析の結果,既存の表現をSVDの直交化手順に置き換えれば,多くのディープラーニングアプリケーションにおいて,技術性能の状態を得られることがわかった。
論文 参考訳(メタデータ) (2020-06-25T17:58:28Z) - Disentangling by Subspace Diffusion [72.1895236605335]
データ多様体の完全教師なし分解は、多様体の真の計量が知られている場合、可能であることを示す。
我々の研究は、教師なしメートル法学習が可能であるかどうかという問題を減らし、表現学習の幾何学的性質に関する統一的な洞察を提供する。
論文 参考訳(メタデータ) (2020-06-23T13:33:19Z)
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。