Fugu-MT 論文翻訳(概要): Walk in the Cloud: Learning Curves for Point Clouds Shape Analysis

論文の概要: Walk in the Cloud: Learning Curves for Point Clouds Shape Analysis

arxiv url: http://arxiv.org/abs/2105.01288v1
Date: Tue, 4 May 2021 05:03:47 GMT
ステータス: 処理完了
システム内更新日: 2021-05-05 12:58:47.928283
Title: Walk in the Cloud: Learning Curves for Point Clouds Shape Analysis
Title（参考訳）: walk in the cloud - ポイントクラウド形状解析のための学習曲線
Authors: Tiange Xiang, Chaoyi Zhang, Yang Song, Jianhui Yu, Weidong Cai
Abstract要約: 点雲中の仮説曲線を集約する新しい方法を提案する。接続された点(曲線)のシーケンスは、まずポイント雲のガイド付き散歩によってグループ化されます。提案された集計戦略の効果的な実装を提供します。
参考スコア（独自算出の注目度）: 20.06552864449279
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Discrete point cloud objects lack sufficient shape descriptors of 3D geometries. In this paper, we present a novel method for aggregating hypothetical curves in point clouds. Sequences of connected points (curves) are initially grouped by taking guided walks in the point clouds, and then subsequently aggregated back to augment their point-wise features. We provide an effective implementation of the proposed aggregation strategy including a novel curve grouping operator followed by a curve aggregation operator. Our method was benchmarked on several point cloud analysis tasks where we achieved the state-of-the-art classification accuracy of 94.2% on the ModelNet40 classification task, instance IoU of 86.8 on the ShapeNetPart segmentation task and cosine error of 0.11 on the ModelNet40 normal estimation task
Abstract（参考訳）: 離散点クラウドオブジェクトは、3dジオメトリの十分な形状記述子を欠いている。本稿では,点雲中の仮説曲線を集約する新しい手法を提案する。連結点(曲線)の列は最初、点雲の中を案内されたウォークでグループ化され、その後に集約されてポイントワイズ機能が強化される。本稿では,新しい曲線群演算子,次いで曲線集合演算子を含む集約戦略を効果的に実装する。本手法は,いくつかのポイントクラウド解析タスクでベンチマークを行い,modelnet40の分類タスクでは94.2%,shapenetpartのセグメンテーションタスクでは86.8,modelnet40の正規推定タスクでは0.11のコサイン誤差を達成した。

関連論文リスト

On-the-fly Point Feature Representation for Point Clouds Analysis [7.074010861305738]
そこで我々は,曲線特徴生成モジュールを通じて,豊富な幾何学的情報を明示的にキャプチャするOn-the-fly Point Feature Representation (OPFR)を提案する。また、三角形集合に基づく局所座標系を近似した局所参照コンストラクタモジュールを導入する。 OPFRは推論に1.56ms(バニラPFHより65倍速い)と0.012M以上のパラメータしか必要とせず、様々なバックボーン用の汎用的なプラグアンドプレイモジュールとして機能する。
論文参考訳（メタデータ） (2024-07-31T04:57:06Z)
Point Cloud Pre-training with Diffusion Models [62.12279263217138]
我々は、ポイントクラウド拡散事前学習(PointDif)と呼ばれる新しい事前学習手法を提案する。 PointDifは、分類、セグメンテーション、検出など、さまざまな下流タスクのために、さまざまな現実世界のデータセット間で大幅に改善されている。
論文参考訳（メタデータ） (2023-11-25T08:10:05Z)
GeoMAE: Masked Geometric Target Prediction for Self-supervised Point Cloud Pre-Training [16.825524577372473]
幾何学的特徴再構成に基づくポイントクラウド表現学習フレームワークを提案する。我々は,3つの自己教師型学習目標を特異点雲,すなわちセントロイド予測,正規推定,曲率予測と同定する。私たちのパイプラインは概念的にはシンプルで、まずポイントのグループをランダムにマスキングし、次にTransformerベースのポイントクラウドエンコーダという2つの大きなステップで構成されています。
論文参考訳（メタデータ） (2023-05-15T17:14:55Z)
CP-Net: Contour-Perturbed Reconstruction Network for Self-Supervised Point Cloud Learning [53.1436669083784]
本稿では,CP-Net(Contour-Perturbed Restruction Network)を提案する。分類では、ModelNet40(92.5%の精度)とScanObjectNN(87.9%の精度)の完全教師付き手法で競合する結果を得る。
論文参考訳（メタデータ） (2022-01-20T15:04:12Z)
GPCO: An Unsupervised Green Point Cloud Odometry Method [64.86292006892093]
軽量な点状クラウド・オドメトリー法を提案し, GPCO法と名付けた。 GPCOは、連続点雲スキャンの特徴と一致することによって物体の動きを予測する教師なし学習法である。 GPCOは、モデルサイズが大幅に小さく、トレーニング時間も少ないのに対して、ディープラーニング手法のベンチマークを精度で上回ることが観察された。
論文参考訳（メタデータ） (2021-12-08T00:24:03Z)
Graph-Guided Deformation for Point Cloud Completion [35.10606375236494]
本稿では,入力データと中間生成を制御および支持点とみなすグラフガイド変形ネットワークを提案する。我々の重要な洞察は、メッシュ変形法による最小2乗ラプラシア変形過程をシミュレートすることであり、幾何学的詳細のモデリングに適応性をもたらす。我々はGCN誘導変形による従来のグラフィックアルゴリズムを模倣して、ポイントクラウド補完タスクを改良した最初の人物である。
論文参考訳（メタデータ） (2021-11-11T12:55:26Z)
3D Object Classification on Partial Point Clouds: A Practical Perspective [91.81377258830703]
点雲は3次元オブジェクト分類において一般的な形状表現である。本稿では,任意のポーズの下でオブジェクトインスタンスの部分点雲を分類する実践的な設定を提案する。本稿では,アライメント分類手法による新しいアルゴリズムを提案する。
論文参考訳（メタデータ） (2020-12-18T04:00:56Z)
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)
Refinement of Predicted Missing Parts Enhance Point Cloud Completion [62.997667081978825]
点雲完了は、部分的な観測から3次元形状の点集合表現を用いて完全な幾何学を予測するタスクである。従来のアプローチでは、不完全点集合によって供給されるエンコーダ・デコーダモデルにより、点雲全体を直接推定するニューラルネットワークが提案されていた。本稿では、欠落した幾何を計算し、既知の入力と予測点クラウドを融合することに焦点を当てたエンドツーエンドニューラルネットワークアーキテクチャを提案する。
論文参考訳（メタデータ） (2020-10-08T22:01:23Z)
SoftPoolNet: Shape Descriptor for Point Cloud Completion and Classification [93.54286830844134]
本稿では,点雲に基づく3次元オブジェクトの補完と分類手法を提案する。デコーダの段階では,グローバルな活性化エントロピーの最大化を目的とした新しい演算子である地域畳み込みを提案する。我々は,オブジェクトの完成度や分類,最先端の精度の達成など,異なる3次元タスクに対するアプローチを評価する。
論文参考訳（メタデータ） (2020-08-17T14:32:35Z)

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。