論文の概要: PointShuffleNet: Learning Non-Euclidean Features with Homotopy
Equivalence and Mutual Information
- arxiv url: http://arxiv.org/abs/2104.02611v1
- Date: Wed, 31 Mar 2021 03:01:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-06 00:15:58.289774
- Title: PointShuffleNet: Learning Non-Euclidean Features with Homotopy
Equivalence and Mutual Information
- Title（参考訳）: PointShuffleNet: ホモトピー等価性と相互情報による非ユークリッド特徴の学習
- Authors: Linchao He, Mengting Luo, Dejun Zhang, Xiao Yang, Hu Chen and Yi Zhang
- Abstract要約: 我々は、ポイントクラウド分類とセグメンテーションにおいて非常に有望な、ポイントShuffleNet(PSN)と呼ばれる新しいポイントクラウド分析ニューラルネットワークを提案する。
我々のPSNは、ModelNet40、ShapeNet、S3DISの最先端の成果を高い効率で達成する。
- 参考スコア（独自算出の注目度）: 9.920649045126188
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Point cloud analysis is still a challenging task due to the disorder and
sparsity of samplings of their geometric structures from 3D sensors. In this
paper, we introduce the homotopy equivalence relation (HER) to make the neural
networks learn the data distribution from a high-dimension manifold. A shuffle
operation is adopted to construct HER for its randomness and zero-parameter. In
addition, inspired by prior works, we propose a local mutual information
regularizer (LMIR) to cut off the trivial path that leads to a classification
error from HER. LMIR utilizes mutual information to measure the distance
between the original feature and HER transformed feature and learns common
features in a contrastive learning scheme. Thus, we combine HER and LMIR to
give our model the ability to learn non-Euclidean features from a
high-dimension manifold. This is named the non-Euclidean feature learner.
Furthermore, we propose a new heuristics and efficiency point sampling
algorithm named ClusterFPS to obtain approximate uniform sampling but at faster
speed. ClusterFPS uses a cluster algorithm to divide a point cloud into several
clusters and deploy the farthest point sampling algorithm on each cluster in
parallel. By combining the above methods, we propose a novel point cloud
analysis neural network called PointShuffleNet (PSN), which shows great promise
in point cloud classification and segmentation. Extensive experiments show that
our PSN achieves state-of-the-art results on ModelNet40, ShapeNet and S3DIS
with high efficiency. Theoretically, we provide mathematical analysis toward
understanding of what the data distribution HER has developed and why LMIR can
drop the trivial path by maximizing mutual information implicitly.
- Abstract（参考訳）: ポイントクラウド分析は、3Dセンサーから幾何構造を採取するのが困難で、依然として難しい課題である。
本稿では,ニューラルネットワークが高次元多様体からデータ分布を学習できるようにホモトピー同値関係(HER)を導入する。
ランダム性とゼロパラメータのためにHERを構築するシャッフル演算を採用する。
さらに,先行研究に触発されて,HERの分類誤りにつながる自明な経路を遮断する局所的相互情報正規化器(LMIR)を提案する。
LMIRは相互情報を用いて、原特徴とHER変換特徴の間の距離を測定し、対照的な学習方式で共通特徴を学習する。
したがって、HER と LMIR を組み合わせて、高次元多様体から非ユークリッド特徴を学習することができる。
これは非ユークリッド的特徴学習者と呼ばれる。
さらに,ClusterFPSと呼ばれる新しいヒューリスティックスおよび効率点サンプリングアルゴリズムを提案する。
ClusterFPSはクラスタアルゴリズムを使用して、ポイントクラウドを複数のクラスタに分割し、最も遠いポイントサンプリングアルゴリズムを各クラスタに並列にデプロイする。
以上の手法を組み合わせることで,ポイントShuffleNet (PSN) と呼ばれる新しいポイントクラウド解析ニューラルネットワークを提案し,ポイントクラウドの分類とセグメンテーションに大きな可能性を示す。
我々のPSNは,ModelNet40,ShapeNet,S3DISの最先端の成果を高い効率で達成している。
理論的には、HERがどのようなデータ配信を開発したのか、なぜLMIRが相互情報を暗黙的に最大化して自明な経路を落とすのかを理解するための数学的解析を提供する。
関連論文リスト
- 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) - GPr-Net: Geometric Prototypical Network for Point Cloud Few-Shot
Learning [2.4366811507669115]
GPr-Netは、点雲の原型位相を捉える軽量で計算効率の良い幾何学的ネットワークである。
GPr-Netは、ポイントクラウド上の数ショット学習において最先端の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2023-04-12T17:32:18Z) - Efficient Graph Field Integrators Meet Point Clouds [59.27295475120132]
点雲を符号化するグラフ上での効率的な場積分のためのアルゴリズムを2種類提案する。
第1のクラスであるSeparatorFactorization(SF)は、ポイントメッシュグラフの有界属を利用するが、第2のクラスであるRFDiffusion(RFD)は、ポイントクラウドの一般的なepsilon-nearest-neighborグラフ表現を使用する。
論文 参考訳（メタデータ） (2023-02-02T08:33:36Z) - Self-Supervised Arbitrary-Scale Point Clouds Upsampling via Implicit
Neural Representation [79.60988242843437]
そこで本研究では,自己監督型および倍率フレキシブルな点雲を同時にアップサンプリングする手法を提案する。
実験結果から, 自己教師あり学習に基づく手法は, 教師あり学習に基づく手法よりも, 競争力や性能が向上することが示された。
論文 参考訳（メタデータ） (2022-04-18T07:18:25Z) - GenReg: Deep Generative Method for Fast Point Cloud Registration [18.66568286698704]
我々は,クラウド登録をポイントとする深層生成ニューラルネットワークを探索し,新しいデータ駆動型登録アルゴリズムを提案する。
ModelNet40と7Sceneのデータセットを用いた実験により、提案アルゴリズムが最先端の精度と効率を達成することを示した。
論文 参考訳（メタデータ） (2021-11-23T10:52:09Z) - Learning Semantic Segmentation of Large-Scale Point Clouds with Random
Sampling [52.464516118826765]
我々はRandLA-Netを紹介した。RandLA-Netは、大規模ポイントクラウドのポイントごとの意味を推論する、効率的で軽量なニューラルネットワークアーキテクチャである。
我々のアプローチの鍵は、より複雑な点選択アプローチではなく、ランダムな点サンプリングを使用することである。
我々のRandLA-Netは、既存のアプローチよりも最大200倍高速な1回のパスで100万ポイントを処理できます。
論文 参考訳（メタデータ） (2021-07-06T05:08:34Z) - 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) - Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。
まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。
そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
論文 参考訳（メタデータ） (2020-11-25T14:00:18Z) - PointManifold: Using Manifold Learning for Point Cloud Classification [5.705680763604835]
本稿では,グラフニューラルネットワークと多様体学習に基づく点雲分類手法を提案する。
本稿では,平面上の連続性を考慮し,点雲の特徴を埋め込むために,多様体学習アルゴリズムを用いる。
実験により、提案した点雲分類法は90.2%の平均クラス精度(mA)と93.2%の総合クラス精度(oA)が得られることが示された。
論文 参考訳（メタデータ） (2020-10-14T16:28:19Z) - 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)
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。