論文の概要: Potential Convolution: Embedding Point Clouds into Potential Fields
- arxiv url: http://arxiv.org/abs/2104.01754v1
- Date: Mon, 5 Apr 2021 03:46:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-06 14:34:14.560321
- Title: Potential Convolution: Embedding Point Clouds into Potential Fields
- Title(参考訳): 潜在的な畳み込み: ポテンシャルフィールドへの点雲の埋め込み
- Authors: Dengsheng Chen and Haowen Deng and Jun Li and Duo Li and Yao Duan and
Kai Xu
- Abstract要約: この研究では、連続的あるいは離散的なカーネルを定義するのではなく、畳み込み型カーネルを学習可能なポテンシャルフィールドに直接埋め込む。
点畳み込み演算により, 2 つの単純かつ有効なポテンシャル関数を提供する。
- 参考スコア(独自算出の注目度): 27.837330235088757
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, various convolutions based on continuous or discrete kernels for
point cloud processing have been widely studied, and achieve impressive
performance in many applications, such as shape classification, scene
segmentation and so on. However, they still suffer from some drawbacks. For
continuous kernels, the inaccurate estimation of the kernel weights constitutes
a bottleneck for further improving the performance; while for discrete ones,
the kernels represented as the points located in the 3D space are lack of rich
geometry information. In this work, rather than defining a continuous or
discrete kernel, we directly embed convolutional kernels into the learnable
potential fields, giving rise to potential convolution. It is convenient for us
to define various potential functions for potential convolution which can
generalize well to a wide range of tasks. Specifically, we provide two simple
yet effective potential functions via point-wise convolution operations.
Comprehensive experiments demonstrate the effectiveness of our method, which
achieves superior performance on the popular 3D shape classification and scene
segmentation benchmarks compared with other state-of-the-art point convolution
methods.
- Abstract(参考訳): 近年、ポイントクラウド処理のための連続的あるいは離散的カーネルに基づく様々な畳み込みが広く研究され、形状分類、シーン分割など多くのアプリケーションで印象的な性能を達成している。
しかし、まだいくつかの欠点がある。
連続的なカーネルでは、カーネル重みの不正確な推定はパフォーマンスをさらに向上させるボトルネックとなるが、離散的なカーネルでは、3次元空間の点として表されるカーネルは、リッチな幾何学情報がない。
この研究では、連続的あるいは離散的カーネルを定義するのではなく、畳み込み的カーネルを学習可能なポテンシャルフィールドに直接埋め込み、潜在的な畳み込みを生じさせる。
幅広いタスクにうまく一般化できる潜在的な畳み込みのための様々なポテンシャル関数を定義するのは便利である。
具体的には、点畳み込み演算による2つの単純かつ効果的なポテンシャル関数を提供する。
総合実験により,一般的な3次元形状分類とシーンセグメンテーションベンチマークにおいて,他の最先端の点畳み込み法と比較して優れた性能が得られることを示す。
関連論文リスト
- Neural Kernel Surface Reconstruction [80.51581494300423]
本稿では,大規模でスパースでノイズの多い点雲から3次元暗示面を再構成する新しい手法を提案する。
我々のアプローチは、最近導入されたNeural Kernel Fields表現に基づいている。
論文 参考訳(メタデータ) (2023-05-31T06:25:18Z) - SMPConv: Self-moving Point Representations for Continuous Convolution [4.652175470883851]
本稿では,ニューラルネットワークを使わずに連続的な畳み込みを構築するための代替手法を提案する。
重みパラメータが自由に動く自己移動点表現と連続関数の実装にスキームを用いる。
その軽量な構造のため、我々はまず大規模な環境で連続的畳み込みの有効性を実証する。
論文 参考訳(メタデータ) (2023-04-05T09:36:30Z) - Neural Fields as Learnable Kernels for 3D Reconstruction [101.54431372685018]
本稿では,学習したカーネルリッジの回帰に基づいて,暗黙の3次元形状を再構成する手法を提案する。
本手法は,3次元オブジェクトと大画面をスパース指向の点から再構成する際の最先端の処理結果を実現する。
論文 参考訳(メタデータ) (2021-11-26T18:59:04Z) - Multiway Non-rigid Point Cloud Registration via Learned Functional Map
Synchronization [105.14877281665011]
我々は、点雲上に定義された学習関数に関する地図を同期させることにより、複数の非剛体形状を登録する新しい方法であるSyNoRiMを提案する。
提案手法は,登録精度において最先端の性能を達成できることを実証する。
論文 参考訳(メタデータ) (2021-11-25T02:37:59Z) - Deep Parametric Continuous Convolutional Neural Networks [92.87547731907176]
Parametric Continuous Convolutionは、非グリッド構造化データ上で動作する、新たな学習可能な演算子である。
室内および屋外シーンの点雲セグメンテーションにおける最先端技術よりも顕著な改善が見られた。
論文 参考訳(メタデータ) (2021-01-17T18:28:23Z) - 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) - Low-dimensional Interpretable Kernels with Conic Discriminant Functions
for Classification [0.0]
カーネルはしばしば、その高次元の特徴空間表現による印象的な予測力を示す暗黙のマッピング関数として開発される。
本研究では,解釈可能な低次元カーネルの集合に繋がる,一連の単純な特徴写像を徐々に構築する。
論文 参考訳(メタデータ) (2020-07-17T13:58:54Z) - 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) - FKAConv: Feature-Kernel Alignment for Point Cloud Convolution [75.85619090748939]
多数の点畳み込み法を関連づけ解析するための定式化を提供する。
また、幾何学のないカーネル重み付けの推定を分離する独自の畳み込み変種も提案する。
分類とセマンティックセグメンテーションのベンチマークで競合する結果を示す。
論文 参考訳(メタデータ) (2020-04-09T10:12:45Z)
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。