Fugu-MT 論文翻訳(概要): Dense Graph Convolutional Neural Networks on 3D Meshes for 3D Object Segmentation and Classification

論文の概要: Dense Graph Convolutional Neural Networks on 3D Meshes for 3D Object Segmentation and Classification

arxiv url: http://arxiv.org/abs/2106.15778v1
Date: Wed, 30 Jun 2021 02:17:16 GMT
ステータス: 処理完了
システム内更新日: 2021-07-02 00:56:36.847051
Title: Dense Graph Convolutional Neural Networks on 3D Meshes for 3D Object Segmentation and Classification
Title（参考訳）: 3次元物体分割分類のための3次元メッシュ上の高密度グラフ畳み込みニューラルネットワーク
Authors: Wenming Tang Guoping Qiu
Abstract要約: 本稿では3次元メッシュ上でのグラフ畳み込みニューラルネットワーク(GCN)の設計について述べる。メッシュの顔を基本処理単位とし、各ノードが顔に対応するグラフとして3Dメッシュを表現する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper presents new designs of graph convolutional neural networks (GCNs) on 3D meshes for 3D object segmentation and classification. We use the faces of the mesh as basic processing units and represent a 3D mesh as a graph where each node corresponds to a face. To enhance the descriptive power of the graph, we introduce a 1-ring face neighbourhood structure to derive novel multi-dimensional spatial and structure features to represent the graph nodes. Based on this new graph representation, we then design a densely connected graph convolutional block which aggregates local and regional features as the key construction component to build effective and efficient practical GCN models for 3D object classification and segmentation. We will present experimental results to show that our new technique outperforms state of the art where our models are shown to have the smallest number of parameters and consietently achieve the highest accuracies across a number of benchmark datasets. We will also present ablation studies to demonstrate the soundness of our design principles and the effectiveness of our practical models.
Abstract（参考訳）: 本稿では,3次元物体分割と分類のための3次元メッシュ上でのグラフ畳み込みニューラルネットワーク(GCN)の設計について述べる。メッシュの顔を基本処理ユニットとして使用し、各ノードが顔に対応するグラフとして3dメッシュを表現します。グラフの記述力を高めるために,グラフノードを表す新しい多次元空間的特徴と構造的特徴を導出する1リング面近傍構造を導入する。このグラフ表現に基づいて、局所的特徴と局所的特徴を集約した密結合グラフ畳み込みブロックを設計し、3次元オブジェクトの分類とセグメンテーションのための効率的な実用的なGCNモデルを構築する。提案手法は,我々のモデルが最小のパラメータを持つことが示され,多数のベンチマークデータセットにまたがる最高精度を連続的に達成する,最先端の技術に勝ることを示す実験結果を示す。また、設計原則の健全性と実用モデルの有効性を示すためのアブレーション研究も提示する。

関連論文リスト

Graph Transformer GANs with Graph Masked Modeling for Architectural Layout Generation [153.92387500677023]
本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。提案したグラフ変換器エンコーダは、局所的およびグローバルな相互作用をモデル化するために、Transformer内のグラフ畳み込みと自己アテンションを組み合わせる。また,グラフ表現学習のための自己指導型事前学習手法を提案する。
論文参考訳（メタデータ） (2024-01-15T14:36:38Z)
A new perspective on building efficient and expressive 3D equivariant graph neural networks [39.0445472718248]
等変GNNの表現力を評価するための3次元同型階層を提案する。我々の研究は、表現的かつ効率的な幾何学的GNNを設計するための2つの重要なモジュールに繋がる。本理論の適用性を示すため,これらのモジュールを効果的に実装したLEFTNetを提案する。
論文参考訳（メタデータ） (2023-04-07T18:08:27Z)
Hierarchical Graph Networks for 3D Human Pose Estimation [50.600944798627786]
最近の2次元から3次元の人間のポーズ推定は、人間の骨格のトポロジーによって形成されたグラフ構造を利用する傾向がある。この骨格トポロジーは体の構造を反映するには小さすぎるため、重度の2次元から3次元のあいまいさに悩まされていると我々は主張する。本稿では,これらの弱点を克服するために,新しいグラフ畳み込みネットワークアーキテクチャである階層グラフネットワークを提案する。
論文参考訳（メタデータ） (2021-11-23T15:09:03Z)
SN-Graph: a Minimalist 3D Object Representation for Classification [4.145824494809195]
本稿では,3次元オブジェクトを表現するためのSphere Node Graph (SN-Graph)を提案する。具体的には、署名された距離場(SDF)から特定の内部球体(ノードとして)を抽出し、その後、球体ノード間の接続(エッジとして)を確立してグラフを構築する。 ModelNet40データセットで行った実験では、グラフにノードが少ない場合や、テスト対象が任意に回転する場合、SN-Graphの分類精度が著しく高いことが示されている。
論文参考訳（メタデータ） (2021-05-31T08:24:09Z)
Exploiting Local Geometry for Feature and Graph Construction for Better 3D Point Cloud Processing with Graph Neural Networks [22.936590869919865]
グラフニューラルネットワークの一般枠組みにおける点表現と局所近傍グラフ構築の改善を提案する。提案されたネットワークは、トレーニングの収束を高速化する。分類のための40%のより少ないエポック。
論文参考訳（メタデータ） (2021-03-28T21:34:59Z)
Spherical Message Passing for 3D Graph Networks [40.10938363608572]
本稿では,各ノードが空間的位置と関連付けられている3次元グラフからの表現学習について考察する。本稿では,3次元グラフネットワーク(3DGN)と呼ばれる汎用フレームワークを提案する。幾何学的情報の物理的表現を導出し、3次元グラフの表現を学習するためのSphereNetを提案する。
論文参考訳（メタデータ） (2021-02-09T18:31:23Z)
Primal-Dual Mesh Convolutional Neural Networks [62.165239866312334]
本稿では,グラフ・ニューラル・ネットワークの文献からトライアングル・メッシュへ引き起こされた原始双対のフレームワークを提案する。提案手法は,3次元メッシュのエッジと顔の両方を入力として特徴付け,動的に集約する。メッシュ単純化の文献から得られたツールを用いて、我々のアプローチに関する理論的知見を提供する。
論文参考訳（メタデータ） (2020-10-23T14:49:02Z)
Mix Dimension in Poincar\'{e} Geometry for 3D Skeleton-based Action Recognition [57.98278794950759]
グラフ畳み込みネットワーク(GCN)はすでに、不規則なデータをモデル化する強力な能力を実証している。本稿では,ポアンカー幾何学を用いて定義した空間時空間GCNアーキテクチャを提案する。提案手法を,現在最大規模の2つの3次元データセット上で評価する。
論文参考訳（メタデータ） (2020-07-30T18:23:18Z)
Learning Local Neighboring Structure for Robust 3D Shape Representation [143.15904669246697]
3Dメッシュの表現学習は多くのコンピュータビジョンやグラフィックスアプリケーションにおいて重要である。局所構造認識型異方性畳み込み操作(LSA-Conv)を提案する。本モデルでは,3次元形状復元において最先端の手法に比べて顕著な改善が得られた。
論文参考訳（メタデータ） (2020-04-21T13:40:03Z)
Cross-GCN: Enhancing Graph Convolutional Network with $k$-Order Feature Interactions [153.6357310444093]
Graph Convolutional Network(GCN)は,グラフデータの学習と推論を行う新興技術である。我々は、GCNの既存の設計がクロスフィーチャをモデリングし、クロスフィーチャが重要であるタスクやデータに対してGCNの効率を損なうことを論じている。我々は、任意の次交叉特徴を、特徴次元と順序サイズに線形に複雑にモデル化した、クロスフィーチャーグラフ畳み込みという新しい演算子を設計する。
論文参考訳（メタデータ） (2020-03-05T13:05:27Z)

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。