論文の概要: AttWalk: Attentive Cross-Walks for Deep Mesh Analysis

• arxiv url: http://arxiv.org/abs/2104.11571v1
• Date: Fri, 23 Apr 2021 13:02:39 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-26 13:05:39.450034
• Title: AttWalk: Attentive Cross-Walks for Deep Mesh Analysis
• Title（参考訳）: AttWalk: ディープメッシュ分析のための注意深いクロスウォーク
• Authors: Ran Ben Izhak, Alon Lahav and Ayellet Tal
• Abstract要約: ランダムウォークによるメッシュ表現は、ディープラーニングに有用であることが示されている。 本稿では,複数の歩行が使用されているという事実を活かした新しい歩行注意機構を提案する。
• 参考スコア（独自算出の注目度）: 19.12196187222047
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Mesh representation by random walks has been shown to benefit deep learning. Randomness is indeed a powerful concept. However, it comes with a price: some walks might wander around non-characteristic regions of the mesh, which might be harmful to shape analysis, especially when only a few walks are utilized. We propose a novel walk-attention mechanism that leverages the fact that multiple walks are used. The key idea is that the walks may provide each other with information regarding the meaningful (attentive) features of the mesh. We utilize this mutual information to extract a single descriptor of the mesh. This differs from common attention mechanisms that use attention to improve the representation of each individual descriptor. Our approach achieves SOTA results for two basic 3D shape analysis tasks: classification and retrieval. Even a handful of walks along a mesh suffice for learning.
• Abstract（参考訳）: ランダムウォークによるメッシュ表現は、ディープラーニングに有用であることが示されている。 ランダム性は確かに強力な概念です。 しかし、いくつかのウォークはメッシュの非特性領域をさまよう可能性があり、特にほんの数回のウォークが使用される場合、形状分析に悪影響を及ぼす可能性がある。 本稿では,複数の歩行が使用されているという事実を活かした新しい歩行注意機構を提案する。 重要なアイデアは、ウォークがメッシュの有意義な(注意深い)機能に関する情報を互いに提供し合うことだ。 この相互情報を用いてメッシュの1つの記述子を抽出する。 これは、個々のディスクリプタの表現を改善するために注意を使う一般的な注意メカニズムとは異なる。 本手法は分類と検索の2つの基本的な3次元形状解析タスクに対してSOTA結果を実現する。 メッシュに沿って歩くだけでも、学習には十分だ。

関連論文リスト

• Occlusion Resilient 3D Human Pose Estimation [52.49366182230432]
  排除は、シングルカメラビデオシーケンスからの3Dボディポーズ推定における重要な課題の1つとして残されている。 単一カメラシーケンスからポーズを推測する最先端技術と比較して,このアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2024-02-16T19:29:43Z)
• ALSO: Automotive Lidar Self-supervision by Occupancy estimation [70.70557577874155]
  本稿では,ポイントクラウド上で動作している深層知覚モデルのバックボーンを事前学習するための自己教師型手法を提案する。 中心となる考え方は、3Dポイントがサンプリングされる表面の再構成であるプリテキストタスクでモデルをトレーニングすることである。 直感的には、もしネットワークがわずかな入力ポイントのみを考慮し、シーン表面を再構築できるなら、おそらく意味情報の断片をキャプチャする。
  論文  参考訳（メタデータ） (2022-12-12T13:10:19Z)
• Collaborative Propagation on Multiple Instance Graphs for 3D Instance Segmentation with Single-point Supervision [63.429704654271475]
  本稿では,1つのオブジェクトを1つのポイントでラベル付けするだけでよい,弱教師付き手法RWSegを提案する。 これらの疎いラベルにより、セマンティック情報とインスタンス情報を伝達する2つの分岐を持つ統一的なフレームワークを導入する。 具体的には、異なるインスタンスグラフ間の競合を促進するクロスグラフ競合ランダムウォークス(CRW)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-08-10T02:14:39Z)
• N-Cloth: Predicting 3D Cloth Deformation with Mesh-Based Networks [69.94313958962165]
  本稿では,3次元布の変形予測のためのメッシュに基づく新しい学習手法(N-Cloth)を提案する。 グラフ畳み込みを用いて、メッシュ空間の非線形性を低減するために、布とメッシュを潜在空間に変換する。 我々のアプローチは、SMPL人間、非SMPL人間、または剛体に対応する様々な物体で、最大100ドルの三角形とシーンを持つ複雑な布メッシュを扱うことができる。
  論文  参考訳（メタデータ） (2021-12-13T03:13:11Z)
• CloudWalker: Random walks for 3D point cloud shape analysis [20.11028799145883]
  ランダムウォークを用いた3次元形状学習手法であるCloudWalkerを提案する。 提案手法は,2つの3次元形状解析タスク(分類と検索)に対して,最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-12-02T08:24:01Z)
• Grasp-Oriented Fine-grained Cloth Segmentation without Real Supervision [66.56535902642085]
  本稿では, 深度画像のみを用いて, 変形した衣服のきめ細かい領域検出の問題に取り組む。 最大で6つの意味領域を定義し, 首の縁, スリーブカフ, ヘム, 上と下をつかむ点を含む。 これらの部品のセグメント化とラベル付けを行うために,U-net ベースのネットワークを導入する。 合成データのみを用いてネットワークをトレーニングし、提案したDAが実データでトレーニングしたモデルと競合する結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-10-06T16:31:20Z)
• 3D Convolution Neural Network based Person Identification using Gait cycles [0.0]
  この研究では、歩行の特徴を個人を特定するために使用される。このステップには、物体の検出、背景の抽出、シルエット抽出、骨格化、これらの歩行の特徴に関する3D畳み込みニューラルネットワークのトレーニングが含まれる。 提案法は, 膝と大腿の角度, 股関節角度, 接触角度などの特徴を抽出するために, 下肢に焦点をあてる。
  論文  参考訳（メタデータ） (2021-06-06T14:27:06Z)
• Hidden Footprints: Learning Contextual Walkability from 3D Human Trails [70.01257397390361]
  現在のデータセットは、人々がどこにいるか、どこにいるかを教えてくれません。 まず、画像間で人の観察を伝播させ、3D情報を利用して、私たちが「隠れ足跡」と呼ぶものを作成することで、有効なラベル付き歩行可能領域の集合を拡大する。 このようなスパースラベルのために設計されたトレーニング戦略を考案し、クラスバランスの分類損失と文脈逆転損失を組み合わせた。
  論文  参考訳（メタデータ） (2020-08-19T23:19:08Z)
• MeshWalker: Deep Mesh Understanding by Random Walks [19.594977587417247]
  コンピュータグラフィックスにおける最も一般的な3D形状(三角形メッシュ)の表現を見て、ディープラーニングでどのように活用できるかを尋ねる。 本稿では、メッシュから形状を直接学習する、まったく異なるアプローチであるMeshWalkerを提案する。 提案手法は,2つの基本形状解析タスクに対して,最先端の結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-06-09T15:35:41Z)

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。