論文の概要: Improvement of Normal Estimation for PointClouds via Simplifying Surface
Fitting
- arxiv url: http://arxiv.org/abs/2104.10369v1
- Date: Wed, 21 Apr 2021 06:13:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-22 14:17:01.478641
- Title: Improvement of Normal Estimation for PointClouds via Simplifying Surface
Fitting
- Title（参考訳）: 簡易化によるポイントクラウドの正規推定の改善
- Authors: Jun Zhou, Wei Jin, Mingjie Wang, Xiuping Liu, Zhiyang Li, Zhaobin Liu
- Abstract要約: ニューラルネットワークとサーフェスフィッティングプロセスの整合性に対処し, 正常な推定を改善するための2つの簡単な効果戦略が提案されている。
まず, 動的トップk選択戦略を導入し, 与えられたパッチの最も重要な点に焦点を合わせ, 学習方法によって選択された点が, 単純な接平面によって表面に適合する傾向がある。
そこで我々は,パッチの鋭い境界を平滑化し,表面フィッティングプロセスを簡略化する局所表面フィッティング前の点更新戦略を提案する。
- 参考スコア（独自算出の注目度）: 12.559091712749279
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the burst development of neural networks in recent years, the task of
normal estimation has once again become a concern. By introducing the neural
networks to classic methods based on problem-specific knowledge, the
adaptability of the normal estimation algorithm to noise and scale has been
greatly improved. However, the compatibility between neural networks and the
traditional methods has not been considered. Similar to the principle of
Occam's razor, that is, the simpler is better. We observe that a more
simplified process of surface fitting can significantly improve the accuracy of
the normal estimation. In this paper, two simple-yet-effective strategies are
proposed to address the compatibility between the neural networks and surface
fitting process to improve normal estimation. Firstly, a dynamic top-k
selection strategy is introduced to better focus on the most critical points of
a given patch, and the points selected by our learning method tend to fit a
surface by way of a simple tangent plane, which can dramatically improve the
normal estimation results of patches with sharp corners or complex patterns.
Then, we propose a point update strategy before local surface fitting, which
smooths the sharp boundary of the patch to simplify the surface fitting
process, significantly reducing the fitting distortion and improving the
accuracy of the predicted point normal. The experiments analyze the
effectiveness of our proposed strategies and demonstrate that our method
achieves SOTA results with the advantage of higher estimation accuracy over
most existed approaches.
- Abstract（参考訳）: 近年、ニューラルネットワークの爆発的発展により、正常な推定のタスクが再び懸念されるようになった。
問題固有知識に基づく古典的手法にニューラルネットワークを導入することにより,ノイズやスケールに対する正規推定アルゴリズムの適用性が大幅に向上した。
しかし、ニューラルネットワークと従来の手法との互換性は考慮されていない。
オッカムのカミソリの原理と同様に、より単純なものの方がよい。
表面のフィッティングをより単純化することで,通常の推定精度を大幅に向上させることができる。
本稿では,ニューラルネットワークと表面の嵌合過程の整合性に対処し,正規推定を改善するための2つの簡易効果戦略を提案する。
まず, 動的トップk選択戦略を導入し, 与えられたパッチの最重要点に焦点を合わせ, 学習方法によって選択された点が, 単純な接平面によって表面に適合する傾向にあり, シャープコーナーや複雑なパターンを用いたパッチの正規推定結果が劇的に向上する。
そこで本稿では, 局所表面固定前の点更新戦略を提案し, パッチの鋭い境界を滑らかにし, 表面嵌合プロセスを簡素化し, 嵌合歪みを著しく低減し, 予測点正規の精度を向上する。
提案手法の有効性を解析し,提案手法が既存手法よりも高い推定精度を生かしてSOTA結果が得られることを示す。
関連論文リスト
- A constrained optimization approach to improve robustness of neural networks [1.2338729811609355]
クリーンなデータに対する精度を維持しつつ、敵攻撃に対する堅牢性を向上させるために、ファインチューン事前学習ニューラルネットワークに対する非線形プログラミングに基づく新しいアプローチを提案する。
論文 参考訳（メタデータ） (2024-09-18T18:37:14Z) - OCMG-Net: Neural Oriented Normal Refinement for Unstructured Point Clouds [18.234146052486054]
非構造点雲から指向性正規項を推定するための頑健な精錬法を提案する。
我々のフレームワークは、初期指向の正規性を洗練させるために、特徴空間に符号配向とデータ拡張を組み込んでいる。
従来手法に存在した騒音による方向の不整合の問題に対処するため, チャンファー正規距離と呼ばれる新しい指標を導入する。
論文 参考訳（メタデータ） (2024-09-02T09:30:02Z) - Improving Generalization of Deep Neural Networks by Optimum Shifting [33.092571599896814]
本稿では,ニューラルネットワークのパラメータを最小値からフラット値に変化させる,近位シフトと呼ばれる新しい手法を提案する。
本手法は,ニューラルネットワークの入力と出力が固定された場合,ネットワーク内の行列乗算を,未決定線形方程式系として扱うことができることを示す。
論文 参考訳（メタデータ） (2024-05-23T02:31:55Z) - NeuralGF: Unsupervised Point Normal Estimation by Learning Neural
Gradient Function [55.86697795177619]
3次元点雲の正規推定は3次元幾何処理の基本的な課題である。
我々は,ニューラルネットワークが入力点雲に適合することを奨励する,ニューラルグラデーション関数の学習のための新しいパラダイムを導入する。
広範に使用されているベンチマークの優れた結果から,本手法は非指向性および指向性正常推定タスクにおいて,より正確な正規性を学習できることが示されている。
論文 参考訳（メタデータ） (2023-11-01T09:25:29Z) - Domain Generalization Guided by Gradient Signal to Noise Ratio of
Parameters [69.24377241408851]
ソースドメインへのオーバーフィッティングは、ディープニューラルネットワークの勾配に基づくトレーニングにおいて一般的な問題である。
本稿では,ネットワークパラメータの勾配-信号-雑音比(GSNR)を選択することを提案する。
論文 参考訳（メタデータ） (2023-10-11T10:21:34Z) - Rethinking the Approximation Error in 3D Surface Fitting for Point Cloud
Normal Estimation [39.79759035338819]
推定値と精密表面標準値のギャップを埋めるための基本設計原則を2つ提示する。
この2つの原理をディープニューラルネットワークを用いて実装し、プラグアンドプレイ方式で最先端のSOTA(State-of-the-art)正規推定手法と統合する。
論文 参考訳（メタデータ） (2023-03-30T05:59:43Z) - Low-Variance Forward Gradients using Direct Feedback Alignment and
Momentum [0.0]
本稿では,アクティビティ・パータード・フォワード・グラディエントと直接フィードバックアライメントとモーメントを組み合わせたアルゴリズムを提案する。
我々のアプローチは、バックプロパゲーションの他のローカル代替手段と比較して、より高速な収束と性能の向上を可能にします。
論文 参考訳（メタデータ） (2022-12-14T15:30:56Z) - Scaling Forward Gradient With Local Losses [117.22685584919756]
フォワード学習は、ディープニューラルネットワークを学ぶためのバックプロップに代わる生物学的に妥当な代替手段である。
重みよりも活性化に摂動を適用することにより、前方勾配のばらつきを著しく低減できることを示す。
提案手法はMNIST と CIFAR-10 のバックプロップと一致し,ImageNet 上で提案したバックプロップフリーアルゴリズムよりも大幅に優れていた。
論文 参考訳（メタデータ） (2022-10-07T03:52:27Z) - Deep learning: a statistical viewpoint [120.94133818355645]
ディープラーニングは、理論的観点からいくつかの大きな驚きを明らかにしました。
特に、簡単な勾配法は、最適でないトレーニング問題に対するほぼ完全な解決策を簡単に見つけます。
我々はこれらの現象を具体的原理で補うと推測する。
論文 参考訳（メタデータ） (2021-03-16T16:26:36Z) - Distance-Based Regularisation of Deep Networks for Fine-Tuning [116.71288796019809]
我々は,仮説クラスを,初期訓練前の重みを中心にした小さな球面に制約するアルゴリズムを開発した。
実験的な評価は、我々のアルゴリズムがうまく機能していることを示し、理論的な結果を裏付けるものである。
論文 参考訳（メタデータ） (2020-02-19T16:00:47Z) - MSE-Optimal Neural Network Initialization via Layer Fusion [68.72356718879428]
ディープニューラルネットワークは、さまざまな分類と推論タスクに対して最先端のパフォーマンスを達成する。
グラデーションと非進化性の組み合わせは、学習を新しい問題の影響を受けやすいものにする。
確率変数を用いて学習した深層ネットワークの近傍層を融合する手法を提案する。
論文 参考訳（メタデータ） (2020-01-28T18:25:15Z)
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。