論文の概要: Geometry-Aware Self-Training for Unsupervised Domain Adaptationon Object Point Clouds

• arxiv url: http://arxiv.org/abs/2108.09169v1
• Date: Fri, 20 Aug 2021 13:29:11 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-23 13:25:06.428773
• Title: Geometry-Aware Self-Training for Unsupervised Domain Adaptationon Object Point Clouds
• Title（参考訳）: 物体点雲の教師なし領域適応のための幾何アウェア自己学習
• Authors: Longkun Zou, Hui Tang, Ke Chen, Kui Jia
• Abstract要約: 本稿では,オブジェクトポイントクラウド分類の教師なし領域適応のためのジオメトリ・アウェア・セルフトレーニング(GAST)を提案する。 具体的には,2つの自己監督型幾何学的学習タスクを特徴正規化として,意味カテゴリーのドメイン共有表現を学習することを目的とする。 一方、データセット間の多様な点分布は、新しい曲率認識歪みの局所化によって正規化することができる。
• 参考スコア（独自算出の注目度）: 36.49322708074682
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The point cloud representation of an object can have a large geometric variation in view of inconsistent data acquisition procedure, which thus leads to domain discrepancy due to diverse and uncontrollable shape representation cross datasets. To improve discrimination on unseen distribution of point-based geometries in a practical and feasible perspective, this paper proposes a new method of geometry-aware self-training (GAST) for unsupervised domain adaptation of object point cloud classification. Specifically, this paper aims to learn a domain-shared representation of semantic categories, via two novel self-supervised geometric learning tasks as feature regularization. On one hand, the representation learning is empowered by a linear mixup of point cloud samples with their self-generated rotation labels, to capture a global topological configuration of local geometries. On the other hand, a diverse point distribution across datasets can be normalized with a novel curvature-aware distortion localization. Experiments on the PointDA-10 dataset show that our GAST method can significantly outperform the state-of-the-art methods.
• Abstract（参考訳）: オブジェクトの点クラウド表現は、一貫性のないデータ取得手順の観点から大きな幾何学的変動を持つため、多様で制御不能な形状表現のクロスデータセットによるドメインの不一致が生じる。 実用的かつ実現可能な視点でポイントベースジオメトリの非知覚分布の識別を改善するため,本論文では,オブジェクトポイントクラウド分類の教師なし領域適応のための新しい幾何認識自己学習法を提案する。 具体的には,2つの新しい自己教師付き幾何学習タスクを特徴正規化として,意味カテゴリーのドメイン共有表現を学習することを目的とした。 一方、表現学習は、自発的な回転ラベルを持つ点雲サンプルを線形に混合することで、局所幾何学のグローバルな位相的構成を捉えることができる。 一方,データセットにまたがる多様な点分布は,新しい曲率対応歪み定位法を用いて正規化することができる。 PointDA-10データセットの実験により、GAST法は最先端の手法よりも大幅に優れていることが示された。

関連論文リスト

• Bridging Domain Gap of Point Cloud Representations via Self-Supervised Geometric Augmentation [15.881442863961531]
  領域間の点雲表現の幾何学的不変性を誘導する新しいスキームを提案する。 一方、点雲のセントロイドシフトを軽減するために、拡張サンプルの距離の変換を予測するための新しいプレテキストタスクが提案されている。 一方,我々は幾何学的に拡張された点雲上での自己教師付き関係学習の統合を開拓した。
  論文  参考訳（メタデータ） (2024-09-11T02:39:19Z)
• Boosting Cross-Domain Point Classification via Distilling Relational Priors from 2D Transformers [59.0181939916084]
  従来の3Dネットワークは主に局所幾何学的詳細に焦点を当て、局所幾何学間の位相構造を無視する。 そこで本稿では,大規模画像上においてよく訓練されたトランスフォーマーから前駆体を抽出する,新しい先駆体蒸留法を提案する。 PointDA-10とSim-to-Realデータセットの実験は、提案手法が点クラウド分類におけるUDAの最先端性能を一貫して達成していることを検証する。
  論文  参考訳（メタデータ） (2024-07-26T06:29:09Z)
• Compositional Semantic Mix for Domain Adaptation in Point Cloud Segmentation [65.78246406460305]
  合成意味混合は、ポイントクラウドセグメンテーションのための最初の教師なし領域適応技術である。 本稿では、ソースドメイン(例えば合成)からの点雲とターゲットドメイン(例えば実世界)からの点雲を同時に処理できる2分岐対称ネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-08-28T14:43:36Z)
• Deep Semantic Graph Matching for Large-scale Outdoor Point Clouds Registration [22.308070598885532]
  我々は、ポイントクラウド登録問題をセマンティックインスタンスマッチングと登録タスクとして扱う。 大規模屋外クラウド登録のためのディープセマンティックグラフマッチング法(DeepSGM)を提案する。 KITTIオドメトリデータセットで行った実験結果から,提案手法が登録性能を向上させることが示された。
  論文  参考訳（メタデータ） (2023-08-10T03:07:28Z)
• Domain Adaptation on Point Clouds via Geometry-Aware Implicits [14.404842571470061]
  一般的な幾何学的表現として、ポイントクラウドは3Dビジョンにおいて多くの注目を集めており、自律運転やロボット工学における多くの応用につながっている。 ポイントクラウドで学ぶ上で重要な未解決の問題は、同じ物体の点雲が異なる手順で生成されたり、異なるセンサーで捉えられたりすると、大きな幾何学的なバリエーションを持つ可能性があることである。 ドメインギャップを減らすための典型的なテクニックは、機能領域の点雲が整列できるように、敵対的なトレーニングを実行することである。 本稿では,幾何認識型暗黙的学習の自己指導的タスクを用いて,点雲上での教師なし領域適応の簡易かつ効果的な手法を提案する。
  論文  参考訳（メタデータ） (2021-12-17T06:28:01Z)
• GELATO: Geometrically Enriched Latent Model for Offline Reinforcement Learning [54.291331971813364]
  オフライン強化学習アプローチは、近近法と不確実性認識法に分けられる。 本研究では,この2つを潜在変動モデルに組み合わせることのメリットを実証する。 提案したメトリクスは、分布サンプルのアウトの品質と、データ内のサンプルの不一致の両方を測定します。
  論文  参考訳（メタデータ） (2021-02-22T19:42:40Z)
• A Point-Cloud Deep Learning Framework for Prediction of Fluid Flow Fields on Irregular Geometries [62.28265459308354]
  ネットワークは空間位置とCFD量のエンドツーエンドマッピングを学習する。 断面形状の異なるシリンダーを過ぎる非圧縮層状定常流を考察する。 ネットワークは従来のCFDの数百倍の速さで流れ場を予測する。
  論文  参考訳（メタデータ） (2020-10-15T12:15:02Z)
• Neural Subdivision [58.97214948753937]
  本稿では,データ駆動型粗粒度モデリングの新しいフレームワークであるNeural Subdivisionを紹介する。 すべてのローカルメッシュパッチで同じネットワーク重みのセットを最適化するため、特定の入力メッシュや固定属、カテゴリに制約されないアーキテクチャを提供します。 単一の高分解能メッシュでトレーニングしても,本手法は新規な形状に対して合理的な区分を生成する。
  論文  参考訳（メタデータ） (2020-05-04T20:03:21Z)
• A Rotation-Invariant Framework for Deep Point Cloud Analysis [132.91915346157018]
  ネットワーク入力時に一般的な3次元カルト座標を置き換えるために,新しい低レベル純粋回転不変表現を導入する。 また,これらの表現を特徴に組み込むネットワークアーキテクチャを提案し,点とその近傍の局所的関係とグローバルな形状構造を符号化する。 本手法は, 形状分類, 部分分割, 形状検索を含む多点雲解析タスクにおいて評価する。
  論文  参考訳（メタデータ） (2020-03-16T14:04:45Z)
• Improving Semantic Analysis on Point Clouds via Auxiliary Supervision of Local Geometric Priors [34.4685487625487]
  本稿では,局所的な形状を持つ幾何学的学習による意味解析を改善するために,一意なマルチタスク幾何学習ネットワークを提案する試みである。 提案した幾何学的自己教師と特権学習アルゴリズムは,背骨や他の最先端の手法よりも優れた性能が得られる。
  論文  参考訳（メタデータ） (2020-01-14T14:33:31Z)

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。