論文の概要: Adaptive Graph Convolution for Point Cloud Analysis

• arxiv url: http://arxiv.org/abs/2108.08035v2
• Date: Thu, 19 Aug 2021 07:07:34 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-20 11:07:51.176679
• Title: Adaptive Graph Convolution for Point Cloud Analysis
• Title（参考訳）: ポイントクラウド解析のための適応グラフ畳み込み
• Authors: Haoran Zhou, Yidan Feng, Mingsheng Fang, Mingqiang Wei, Jing Qin, Tong Lu
• Abstract要約: 本稿では,動的に学習した特徴に応じて適応的なカーネルを生成する適応グラフ畳み込み(Adaptive Graph Convolution, AdaptConv)を提案する。 提案手法は,いくつかのベンチマークデータセットにおいて,最先端のクラウド分類とセグメンテーションアプローチより優れている。
• 参考スコア（独自算出の注目度）: 25.175406613705274
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Convolution on 3D point clouds that generalized from 2D grid-like domains is widely researched yet far from perfect. The standard convolution characterises feature correspondences indistinguishably among 3D points, presenting an intrinsic limitation of poor distinctive feature learning. In this paper, we propose Adaptive Graph Convolution (AdaptConv) which generates adaptive kernels for points according to their dynamically learned features. Compared with using a fixed/isotropic kernel, AdaptConv improves the flexibility of point cloud convolutions, effectively and precisely capturing the diverse relations between points from different semantic parts. Unlike popular attentional weight schemes, the proposed AdaptConv implements the adaptiveness inside the convolution operation instead of simply assigning different weights to the neighboring points. Extensive qualitative and quantitative evaluations show that our method outperforms state-of-the-art point cloud classification and segmentation approaches on several benchmark datasets. Our code is available at https://github.com/hrzhou2/AdaptConv-master.
• Abstract（参考訳）: 2dグリッドのようなドメインから一般化した3dポイントクラウドの畳み込みは、完璧にはほど遠い。 標準畳み込みは、3Dポイント間で特徴対応を識別し、特徴学習が劣る固有の限界を示す。 本稿では,動的に学習される特徴に応じて点に対する適応カーネルを生成する適応グラフ畳み込み(adaptconv)を提案する。 固定/等方性カーネルを使用する場合と比較して、adaptconvはポイントクラウド畳み込みの柔軟性を改善し、異なる意味部分からポイント間の多様な関係を効果的かつ正確に捉える。 一般的な注意重みスキームとは異なり、AdaptConvは、隣接する点に異なる重みを割り当てるのではなく、畳み込み操作内で適応性を実装する。 大規模定性的および定量的評価により,本手法はいくつかのベンチマークデータセットにおいて,最先端のクラウド分類とセグメンテーションアプローチより優れていることが示された。 私たちのコードはhttps://github.com/hrzhou2/AdaptConv-masterで利用可能です。

関連論文リスト

• PointConvFormer: Revenge of the Point-based Convolution [7.539787913497268]
  我々は、ポイントクラウドベースのディープネットワークアーキテクチャのための新しいビルディングブロックであるPointConvFormerを紹介した。 一般化理論にインスパイアされたPointConvFormerは、フィルタ重みが相対的な位置のみに基づく点畳み込みと、特徴に基づく注意力を利用する変換器を組み合わせた。 以上の結果から,PointConvFormerは従来のコンボリューション,正規トランスフォーマー,ボキセル化スパースコンボリューションアプローチよりも精度の高いトレードオフを提供することがわかった。
  論文  参考訳（メタデータ） (2022-08-04T20:31:46Z)
• AGConv: Adaptive Graph Convolution on 3D Point Clouds [31.763280997642486]
  我々は、ポイントクラウド分析の幅広い応用のための適応グラフ畳み込み(AGConv)を提案する。 AGConvは、動的に学習された特徴に応じて、ポイントの適応カーネルを生成する。 提案手法は,様々なベンチマークデータセットにおいて,ポイントクラウド分類とセグメンテーションの最先端性能を向上する。
  論文  参考訳（メタデータ） (2022-06-09T17:58:36Z)
• Focal Sparse Convolutional Networks for 3D Object Detection [121.45950754511021]
  我々はスパースCNNの能力を高めるために2つの新しいモジュールを導入する。 焦点スパース・コンボリューション(Focals Conv)であり、焦点スパース・コンボリューションの多様変種である。 スパース・コンボリューションにおける空間的に学習可能な空間空間性は,高度な3次元物体検出に不可欠であることを示す。
  論文  参考訳（メタデータ） (2022-04-26T17:34:10Z)
• Differentiable Convolution Search for Point Cloud Processing [114.66038862207118]
  本稿では,点雲上での新しい差分畳み込み探索パラダイムを提案する。 純粋にデータ駆動型であり、幾何学的形状モデリングに適した畳み込みのグループを自動生成することができる。 また,内部畳み込みと外部アーキテクチャの同時探索のための共同最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-29T14:42:03Z)
• Dynamic Convolution for 3D Point Cloud Instance Segmentation [146.7971476424351]
  動的畳み込みに基づく3次元点雲からのインスタンスセグメンテーション手法を提案する。 我々は、同じ意味圏と閉投票を持つ等質点を幾何学的遠近点に対して収集する。 提案手法は提案不要であり、代わりに各インスタンスの空間的および意味的特性に適応する畳み込みプロセスを利用する。
  論文  参考訳（メタデータ） (2021-07-18T09:05:16Z)
• SCTN: Sparse Convolution-Transformer Network for Scene Flow Estimation [71.2856098776959]
  点雲は非秩序であり、その密度は著しく一様ではないため、点雲の3次元運動の推定は困難である。 本稿では,sparse convolution-transformer network (sctn) という新しいアーキテクチャを提案する。 学習した関係に基づく文脈情報が豊富で,対応点の一致に役立ち,シーンフローの推定に有効であることを示す。
  論文  参考訳（メタデータ） (2021-05-10T15:16:14Z)
• The Devils in the Point Clouds: Studying the Robustness of Point Cloud Convolutions [15.997907568429177]
  本稿では,点群上の畳み込みネットワークであるPointConvの異なる変種を調査し,入力スケールと回転変化に対する堅牢性を検討する。 3次元幾何学的性質をpointconvへの入力として利用し,新しい視点不変ディスクリプタを導出する。 2D MNIST & CIFAR-10データセットと3D Semantic KITTI & ScanNetデータセットで実験が行われた。
  論文  参考訳（メタデータ） (2021-01-19T19:32:38Z)
• MG-SAGC: A multiscale graph and its self-adaptive graph convolution network for 3D point clouds [6.504546503077047]
  点群の多スケールグラフ生成法を提案する。 このアプローチは、ポイントクラウドを、スケール空間におけるポイントクラウドのマルチスケール分析をサポートする構造化マルチスケールグラフ形式に変換する。 従来の畳み込みニューラルネットワークは不規則な近傍を持つグラフデータには適用できないため,チェビシェフグラフを用いて不規則な畳み込みフィルタに適合するセフ適応畳み込みカーネルを提案する。
  論文  参考訳（メタデータ） (2020-12-23T01:58:41Z)
• DV-ConvNet: Fully Convolutional Deep Learning on Point Clouds with Dynamic Voxelization and 3D Group Convolution [0.7340017786387767]
  3次元点雲の解釈は、成分点のランダム性と空間性のために難しい課題である。 本研究では,効率的な3Dポイントクラウド解釈に向けて,標準的な3Dコンボリューションに注意を向ける。 我々のネットワークは、非常に高速に動作し、収束することができるが、いくつかのベンチマークデータセットの最先端の手法と比較して、オンパーまたはさらにパフォーマンスが向上する。
  論文  参考訳（メタデータ） (2020-09-07T07:45:05Z)
• Permutation Matters: Anisotropic Convolutional Layer for Learning on Point Clouds [145.79324955896845]
  本稿では,各点のソフトな置換行列を計算する変分異方性畳み込み演算(PAI-Conv)を提案する。 点雲の実験により、PAI-Convは分類とセマンティックセグメンテーションのタスクにおいて競合する結果をもたらすことが示された。
  論文  参考訳（メタデータ） (2020-05-27T02:42:29Z)
• FKAConv: Feature-Kernel Alignment for Point Cloud Convolution [75.85619090748939]
  多数の点畳み込み法を関連づけ解析するための定式化を提供する。 また、幾何学のないカーネル重み付けの推定を分離する独自の畳み込み変種も提案する。 分類とセマンティックセグメンテーションのベンチマークで競合する結果を示す。
  論文  参考訳（メタデータ） (2020-04-09T10:12:45Z)

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。