論文の概要: DRINet: A Dual-Representation Iterative Learning Network for Point Cloud
Segmentation
- arxiv url: http://arxiv.org/abs/2108.04023v1
- Date: Mon, 9 Aug 2021 13:23:54 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-10 15:07:27.865589
- Title: DRINet: A Dual-Representation Iterative Learning Network for Point Cloud
Segmentation
- Title(参考訳): DRINet:ポイントクラウドセグメンテーションのためのデュアル表現反復学習ネットワーク
- Authors: Maosheng Ye, Shuangjie Xu, Tongyi Cao, Qifeng Chen
- Abstract要約: DRINetは二重表現学習の基本的なネットワーク構造として機能する。
我々のネットワークは、ポイントクラウド分類とセグメンテーションタスクの最先端の結果を達成する。
大規模屋外シナリオでは,提案手法はフレーム当たり62msのリアルタイム推論速度で最先端の手法より優れる。
- 参考スコア(独自算出の注目度): 45.768040873409824
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a novel and flexible architecture for point cloud segmentation
with dual-representation iterative learning. In point cloud processing,
different representations have their own pros and cons. Thus, finding suitable
ways to represent point cloud data structure while keeping its own internal
physical property such as permutation and scale-invariant is a fundamental
problem. Therefore, we propose our work, DRINet, which serves as the basic
network structure for dual-representation learning with great flexibility at
feature transferring and less computation cost, especially for large-scale
point clouds. DRINet mainly consists of two modules called Sparse Point-Voxel
Feature Extraction and Sparse Voxel-Point Feature Extraction. By utilizing
these two modules iteratively, features can be propagated between two different
representations. We further propose a novel multi-scale pooling layer for
pointwise locality learning to improve context information propagation. Our
network achieves state-of-the-art results for point cloud classification and
segmentation tasks on several datasets while maintaining high runtime
efficiency. For large-scale outdoor scenarios, our method outperforms
state-of-the-art methods with a real-time inference speed of 62ms per frame.
- Abstract(参考訳): 二重表現反復学習を用いたポイントクラウドセグメンテーションのための,新しいフレキシブルなアーキテクチャを提案する。
ポイントクラウド処理では、異なる表現には独自の長所と短所がある。
したがって、置換やスケール不変といった独自の物理的性質を維持しながら、ポイントクラウドデータ構造を表現する適切な方法を見つけることは根本的な問題である。
そこで本稿では,機能伝達の柔軟性と計算コストの低減,特に大規模ポイントクラウドにおいて両表現学習の基本的ネットワーク構造として機能するDRINetを提案する。
DRINetは主にスパースポイント-ボクセル特徴抽出とスパースVoxel-Point特徴抽出と呼ばれる2つのモジュールで構成されている。
これら2つのモジュールを反復的に利用することにより、特徴は2つの異なる表現の間で伝播することができる。
さらに,コンテキスト情報伝達を改善するために,ポイントワイズ局所性学習のための新しいマルチスケールプーリング層を提案する。
我々のネットワークは、高い実行効率を維持しつつ、複数のデータセット上のポイントクラウド分類とセグメンテーションタスクの最先端の結果を達成する。
大規模屋外シナリオでは,提案手法はフレーム当たり62msのリアルタイム推論速度で最先端の手法より優れる。
関連論文リスト
- P2P-Bridge: Diffusion Bridges for 3D Point Cloud Denoising [81.92854168911704]
私たちは、Diffusion Schr"odingerブリッジをポイントクラウドに適応させる新しいフレームワークを通じて、ポイントクラウドを飾るタスクに取り組みます。
オブジェクトデータセットの実験では、P2P-Bridgeは既存のメソッドよりも大幅に改善されている。
論文 参考訳(メタデータ) (2024-08-29T08:00:07Z) - Point Cloud Compression with Implicit Neural Representations: A Unified Framework [54.119415852585306]
我々は幾何学と属性の両方を扱える先駆的なクラウド圧縮フレームワークを提案する。
本フレームワークでは,2つの座標ベースニューラルネットワークを用いて,voxelized point cloudを暗黙的に表現する。
本手法は,既存の学習手法と比較して,高い普遍性を示す。
論文 参考訳(メタデータ) (2024-05-19T09:19:40Z) - Bidirectional Knowledge Reconfiguration for Lightweight Point Cloud
Analysis [74.00441177577295]
ポイントクラウド分析は計算システムのオーバーヘッドに直面し、モバイルやエッジデバイスでの利用を制限する。
本稿では,軽量点雲モデルのための特徴蒸留について検討する。
本研究では,教師から生徒への情報的文脈的知識を抽出するための双方向知識再構成を提案する。
論文 参考訳(メタデータ) (2023-10-08T11:32:50Z) - 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) - Point2Vec for Self-Supervised Representation Learning on Point Clouds [66.53955515020053]
Data2vecをポイントクラウド領域に拡張し、いくつかのダウンストリームタスクで推奨される結果を報告します。
我々は、ポイントクラウド上でData2vecライクな事前トレーニングの可能性を解放するpoint2vecを提案する。
論文 参考訳(メタデータ) (2023-03-29T10:08:29Z) - Few-Shot 3D Point Cloud Semantic Segmentation via Stratified
Class-Specific Attention Based Transformer Network [22.9434434107516]
数ショットのクラウドセマンティックセマンティックセグメンテーションのための新しい多層トランスフォーマーネットワークを開発した。
提案手法は,既存の数ショットの3Dポイントクラウドセグメンテーションモデルよりも15%少ない推論時間で,新しい最先端性能を実現する。
論文 参考訳(メタデータ) (2023-03-28T00:27:54Z) - Self-Supervised Feature Learning from Partial Point Clouds via Pose
Disentanglement [35.404285596482175]
部分点雲から情報表現を学習するための,新たな自己教師型フレームワークを提案する。
コンテンツとポーズ属性の両方を含むLiDARでスキャンされた部分点雲を利用する。
提案手法は,既存の自己教師付き手法に勝るだけでなく,合成および実世界のデータセット間でのより優れた一般化性を示す。
論文 参考訳(メタデータ) (2022-01-09T14:12:50Z) - DRINet++: Efficient Voxel-as-point Point Cloud Segmentation [41.89569852619741]
DRINet++はDRINetを拡張し、voxel-as-pointの原則で点雲の空間性と幾何学的性質を向上させる。
我々の最先端のアウトドア・ポイント・クラウド・セグメンテーションはコンバージェンスを実現し、メモリ消費問題を緩和する。
論文 参考訳(メタデータ) (2021-11-16T09:22:15Z) - 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)
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。