論文の概要: Learning point embedding for 3D data processing

• arxiv url: http://arxiv.org/abs/2107.08565v1
• Date: Mon, 19 Jul 2021 00:25:28 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-21 02:03:07.990444
• Title: Learning point embedding for 3D data processing
• Title（参考訳）: 3次元データ処理のための学習点埋め込み
• Authors: Zhenpeng Chen
• Abstract要約: 現在の点ベース法は本質的に空間関係処理ネットワークである。 PE-Netは高次元空間における点雲の表現を学習する。 実験によると、PE-Netは複数の挑戦的なデータセットで最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 2.12121796606941
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Among 2D convolutional networks on point clouds, point-based approaches consume point clouds of fixed size directly. By analysis of PointNet, a pioneer in introducing deep learning into point sets, we reveal that current point-based methods are essentially spatial relationship processing networks. In this paper, we take a different approach. Our architecture, named PE-Net, learns the representation of point clouds in high-dimensional space, and encodes the unordered input points to feature vectors, which standard 2D CNNs can be applied to. The recommended network can adapt to changes in the number of input points which is the limit of current methods. Experiments show that in the tasks of classification and part segmentation, PE-Net achieves the state-of-the-art performance in multiple challenging datasets, such as ModelNet and ShapeNetPart.
• Abstract（参考訳）: ポイントクラウド上の2次元畳み込みネットワークのうち、ポイントベースアプローチは固定サイズのポイントクラウドを直接消費する。 点集合にディープラーニングを導入する先駆者であるPointNetの分析により,現在の点ベース手法が本質的に空間関係処理ネットワークであることを明らかにした。 この論文では、異なるアプローチを取ります。 私たちのアーキテクチャはpe-netと呼ばれ、高次元空間における点雲の表現を学習し、整列されていない入力点を特徴ベクトルに符号化します。 推奨されたネットワークは、現在のメソッドの制限である入力ポイントの数の変化に適応することができる。 実験により、PE-Netは分類と部分分割のタスクにおいて、ModelNetやShapeNetPartといった複数の挑戦的なデータセットで最先端のパフォーマンスを達成することが示された。

関連論文リスト

• PointeNet: A Lightweight Framework for Effective and Efficient Point Cloud Analysis [28.54939134635978]
  PointeNetは、ポイントクラウド分析に特化したネットワークである。 本手法は,分類/分割ヘッドとシームレスに統合したり,市販の3Dオブジェクト検出ネットワークに埋め込んだりすることで,柔軟性を示す。 ModelNet40、ScanObjectNN、ShapeNet KITTI、およびシーンレベルのデータセットKITTIを含むオブジェクトレベルのデータセットの実験は、ポイントクラウド分析における最先端メソッドよりもPointeNetの方が優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2023-12-20T03:34:48Z)
• 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)
• Collect-and-Distribute Transformer for 3D Point Cloud Analysis [82.03517861433849]
  本稿では,点雲の短距離・長距離コンテキストを通信するための収集・分散機構を備えた新しい変圧器ネットワークを提案する。 その結果,提案したCDFormerの有効性が示され,ポイントクラウドの分類とセグメンテーションタスクにおける最先端のパフォーマンスがいくつか提供された。
  論文  参考訳（メタデータ） (2023-06-02T03:48:45Z)
• Dynamic Clustering Transformer Network for Point Cloud Segmentation [23.149220817575195]
  動的クラスタリングトランスネットワーク(DCTNet)と呼ばれる新しい3Dポイントクラウド表現ネットワークを提案する。 エンコーダ-デコーダアーキテクチャがあり、ローカルとグローバルの両方の機能学習が可能である。 提案手法は,オブジェクトベースデータセット(ShapeNet),都市ナビゲーションデータセット(Toronto-3D),マルチスペクトルLiDARデータセットを用いて評価した。
  論文  参考訳（メタデータ） (2023-05-30T01:11:05Z)
• Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud Analysis [66.49788145564004]
  我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。 我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
  論文  参考訳（メタデータ） (2022-12-17T15:05:25Z)
• PointResNet: Residual Network for 3D Point Cloud Segmentation and Classification [18.466814193413487]
  ポイントクラウドのセグメンテーションと分類は、3Dコンピュータビジョンの主要なタスクである。 本稿では,残差ブロックベースアプローチであるPointResNetを提案する。 我々のモデルは、セグメント化と分類タスクのためのディープニューラルネットワークを用いて、3Dポイントを直接処理する。
  論文  参考訳（メタデータ） (2022-11-20T17:39:48Z)
• FatNet: A Feature-attentive Network for 3D Point Cloud Processing [1.502579291513768]
  本稿では,グローバルポイントベースの機能とエッジベースの機能を組み合わせた,新たな機能指向ニューラルネットワーク層であるfat layerを提案する。 当社のアーキテクチャは,ModelNet40データセットで示すように,ポイントクラウド分類のタスクにおける最先端の成果を達成する。
  論文  参考訳（メタデータ） (2021-04-07T23:13:56Z)
• PIG-Net: Inception based Deep Learning Architecture for 3D Point Cloud Segmentation [0.9137554315375922]
  そこで我々はPIG-Netと呼ばれるインセプションに基づくディープネットワークアーキテクチャを提案し,点雲の局所的および大域的幾何学的詳細を効果的に特徴付ける。 我々は2つの最先端データセット上でPIG-Netアーキテクチャの徹底的な実験的解析を行う。
  論文  参考訳（メタデータ） (2021-01-28T13:27:55Z)
• Learning Geometry-Disentangled Representation for Complementary Understanding of 3D Object Point Cloud [50.56461318879761]
  3次元画像処理のためのGDANet(Geometry-Disentangled Attention Network)を提案する。 GDANetは、点雲を3Dオブジェクトの輪郭と平らな部分に切り離し、それぞれ鋭い変化成分と穏やかな変化成分で表される。 3Dオブジェクトの分類とセグメンテーションベンチマークの実験は、GDANetがより少ないパラメータで最先端の処理を実現していることを示している。
  論文  参考訳（メタデータ） (2020-12-20T13:35:00Z)
• ParaNet: Deep Regular Representation for 3D Point Clouds [62.81379889095186]
  ParaNetは、3Dポイントクラウドを表現するための新しいエンドツーエンドのディープラーニングフレームワークである。 不規則な3D点雲を通常の2Dカラー画像に変換する。 多視点投影とボキセル化に基づく従来の正規表現法とは異なり、提案した表現は微分可能で可逆である。
  論文  参考訳（メタデータ） (2020-12-05T13:19:55Z)
• PV-RCNN: Point-Voxel Feature Set Abstraction for 3D Object Detection [76.30585706811993]
  我々はPointVoxel-RCNN(PV-RCNN)という新しい高性能な3Dオブジェクト検出フレームワークを提案する。 提案手法は3次元ボクセル畳み込みニューラルネットワーク(CNN)とPointNetベースの集合抽象化の両方を深く統合する。 3DボクセルCNNの効率的な学習と高品質な提案と、PointNetベースのネットワークのフレキシブル・レセプティブ・フィールドを利用する。
  論文  参考訳（メタデータ） (2019-12-31T06:34:10Z)

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。