論文の概要: Hierarchical View Predictor: Unsupervised 3D Global Feature Learning through Hierarchical Prediction among Unordered Views

• arxiv url: http://arxiv.org/abs/2108.03743v1
• Date: Sun, 8 Aug 2021 22:07:10 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-10 15:23:01.938335
• Title: Hierarchical View Predictor: Unsupervised 3D Global Feature Learning through Hierarchical Prediction among Unordered Views
• Title（参考訳）: 階層ビュー予測器:非順序ビュー間の階層予測による教師なし3次元グローバル特徴学習
• Authors: Zhizhong Han and Xiyang Wang and Yu-Shen Liu and Matthias Zwicker
• Abstract要約: 階層型ビュー予測器という,ビューに基づくディープラーニングモデルを提案する。 HVPは、教師なしの方法で、秩序のないビューから3D形状の特徴を学習する。 以上の結果から,HVPは大規模3次元形状ベンチマークにおいて最先端の手法より優れることが示された。
• 参考スコア（独自算出の注目度）: 69.83935019958334
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unsupervised learning of global features for 3D shape analysis is an important research challenge because it avoids manual effort for supervised information collection. In this paper, we propose a view-based deep learning model called Hierarchical View Predictor (HVP) to learn 3D shape features from unordered views in an unsupervised manner. To mine highly discriminative information from unordered views, HVP performs a novel hierarchical view prediction over a view pair, and aggregates the knowledge learned from the predictions in all view pairs into a global feature. In a view pair, we pose hierarchical view prediction as the task of hierarchically predicting a set of image patches in a current view from its complementary set of patches, and in addition, completing the current view and its opposite from any one of the two sets of patches. Hierarchical prediction, in patches to patches, patches to view and view to view, facilitates HVP to effectively learn the structure of 3D shapes from the correlation between patches in the same view and the correlation between a pair of complementary views. In addition, the employed implicit aggregation over all view pairs enables HVP to learn global features from unordered views. Our results show that HVP can outperform state-of-the-art methods under large-scale 3D shape benchmarks in shape classification and retrieval.
• Abstract（参考訳）: 3次元形状解析のためのグローバルな特徴の教師なし学習は、教師付き情報収集のための手作業を避けるため、重要な研究課題である。 本稿では,階層ビュー予測器(HVP)と呼ばれる視点に基づくディープラーニングモデルを提案し,教師なし視点から3次元形状の特徴を学習する。 非順序ビューから高度に識別された情報をマイニングするために、HVPはビューペアに対して新しい階層的なビュー予測を行い、すべてのビューペアの予測から得られた知識をグローバルな特徴に集約する。 ビューペアでは、階層的なビュー予測を、その補完的なパッチセットから現在のビュー内のイメージパッチの集合を階層的に予測するタスクとして、さらに、現在のビューの完了と2つのパッチのいずれとも反対のタスクとして提案する。 階層的予測は、パッチへのパッチ、ビュー・ビュー・オブ・ビューのパッチにおいて、同一ビューにおけるパッチ間の相関と1対の補完ビュー間の相関から3次元形状の構造を効果的に学習する。 さらに、すべてのビューペアに対する暗黙の集約によって、HVPは順序のないビューからグローバルな機能を学ぶことができる。 以上の結果から,HVPは形状分類と検索において,大規模3次元形状ベンチマークにおいて最先端の手法より優れていることが示された。

関連論文リスト

• General Line Coordinates in 3D [2.9465623430708905]
  3Dビジュアライゼーションにおける解釈可能なインタラクティブな視覚パターン発見は、機械学習を前進させる有望な方法である。 GLC (3D General Line Coordinates) 可視化空間で行われ、3D内のすべてのn-D情報を保存している。
  論文  参考訳（メタデータ） (2024-03-17T17:42:20Z)
• Cohere3D: Exploiting Temporal Coherence for Unsupervised Representation Learning of Vision-based Autonomous Driving [73.3702076688159]
  本稿では,コヒーレントなインスタンス表現を長期入力シーケンスで学習するための,新しいコントラスト学習アルゴリズムであるCohere3Dを提案する。 我々は,様々な下流認識,予測,計画タスクにおいて,事前学習したモデルを微調整することにより,アルゴリズムを評価する。
  論文  参考訳（メタデータ） (2024-02-23T19:43:01Z)
• SEGA: Structural Entropy Guided Anchor View for Graph Contrastive Learning [12.783251612977299]
  対照的に、ビューの選択は表現が捉えた情報を制御し、モデルの性能に影響を与える。 コントラスト学習のための入力グラフの本質的情報を維持するアンカービューはほとんど研究されていない。 我々は,教師なし,半教師なし,移動学習に基づくグラフ分類に関する様々なベンチマークにおいて,提案するアンカービューを広範囲に検証した。
  論文  参考訳（メタデータ） (2023-05-08T06:52:02Z)
• Unsupervised View-Invariant Human Posture Representation [28.840986167408037]
  本研究では、2次元画像からビュー不変な3次元ポーズ表現を抽出することを学ぶ新しい教師なしアプローチを提案する。 本モデルは,同時フレーム間の人間のポーズの内在的なビュー不変性を活用することで訓練される。 RGB画像と深度画像の非教師なしのクロスビュー動作分類精度の改善を示す。
  論文  参考訳（メタデータ） (2021-09-17T19:23:31Z)
• V3H: View Variation and View Heredity for Incomplete Multi-view Clustering [65.29597317608844]
  不完全なマルチビュークラスタリングは、これらの不完全なビューを統合する効果的な方法である。 本稿では,この制限を克服するために,新しいビューバージョニング・ビュー・ジェレダリティ・アプローチ(V3H)を提案する。 V3Hは、不完全なマルチビューデータから一貫した情報とユニークな情報を同時に学習するためのクラスタリングアルゴリズムに遺伝学を導入する最初の研究である可能性がある。
  論文  参考訳（メタデータ） (2020-11-23T03:24:48Z)
• Improving Point Cloud Semantic Segmentation by Learning 3D Object Detection [102.62963605429508]
  ポイントクラウドセマンティックセグメンテーションは、自動運転において重要な役割を果たす。 現在の3Dセマンティックセグメンテーションネットワークは、よく表現されたクラスに対して優れた性能を発揮する畳み込みアーキテクチャに焦点を当てている。 Aware 3D Semantic Detection (DASS) フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-09-22T14:17:40Z)
• AUTO3D: Novel view synthesis through unsupervisely learned variational viewpoint and global 3D representation [27.163052958878776]
  本稿では,ポーズ・インスペクションを伴わない単一の2次元画像から学習に基づく新規ビュー・シンセサイザーを目標とする。 本研究では,学習済みの相対的目的/回転と暗黙的グローバルな3次元表現を両立させるために,エンドツーエンドの訓練可能な条件変分フレームワークを構築した。 本システムでは,3次元再構成を明示的に行うことなく,暗黙的に3次元理解を行うことができる。
  論文  参考訳（メタデータ） (2020-07-13T18:51:27Z)
• Fine-Grained 3D Shape Classification with Hierarchical Part-View Attentions [70.0171362989609]
  本稿では,FG3D-Netと呼ばれる新しい3次元形状分類手法を提案する。 詳細な3次元形状データセットに基づく結果から,本手法が他の最先端手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-05-26T06:53:19Z)
• Global-Local Bidirectional Reasoning for Unsupervised Representation Learning of 3D Point Clouds [109.0016923028653]
  局所構造とグローバル形状の双方向推論による点雲表現を人間の監督なしに学習する。 本研究では, 実世界の3次元オブジェクト分類データセットにおいて, 教師なしモデルが最先端の教師付き手法を超越していることを示す。
  論文  参考訳（メタデータ） (2020-03-29T08:26:08Z)

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。