論文の概要: Dual-Neighborhood Deep Fusion Network for Point Cloud Analysis

• arxiv url: http://arxiv.org/abs/2108.09228v1
• Date: Fri, 20 Aug 2021 15:37:13 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-23 13:23:19.650742
• Title: Dual-Neighborhood Deep Fusion Network for Point Cloud Analysis
• Title（参考訳）: 点雲解析のための二重近傍深部核融合ネットワーク
• Authors: Guoquan Xu, Hezhi Cao, Yifan Zhang, Jianwei Wan, Ke Xu, Yanxin Ma
• Abstract要約: この問題に対処するためにDNDFN(Dual-Neighborhood Deep Fusion Network)が提案されている。 DNDFNには2つの重要なポイントがある。一つは地域とグローバルな地区の組み合わせである。 TN学習と組み合わせて、よりリッチな近隣情報を得る。 もう1つは、情報伝達畳み込み(IT-Conv)であり、2点間の構造情報を学習し、それを通して特徴を伝達することができる。
• 参考スコア（独自算出の注目度）: 7.696435157444049
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Convolutional neural network has made remarkable achievements in classification of idealized point cloud, however, non-idealized point cloud classification is still a challenging task. In this paper, DNDFN, namely, Dual-Neighborhood Deep Fusion Network, is proposed to deal with this problem. DNDFN has two key points. One is combination of local neighborhood and global neigh-borhood. nearest neighbor (kNN) or ball query can capture the local neighborhood but ignores long-distance dependencies. A trainable neighborhood learning meth-od called TN-Learning is proposed, which can capture the global neighborhood. TN-Learning is combined with them to obtain richer neighborhood information. The other is information transfer convolution (IT-Conv) which can learn the structural information between two points and transfer features through it. Extensive exper-iments on idealized and non-idealized benchmarks across four tasks verify DNDFN achieves the state of the arts.
• Abstract（参考訳）: 畳み込みニューラルネットワークは、理想的な点雲の分類において顕著な成果を上げてきたが、非理想化された点雲の分類は依然として難しい課題である。 本稿では,DNDFN,すなわちDual-Neighborhood Deep Fusion Networkを提案する。 DNDFNには2つのキーポイントがある。 一つは、地域とグローバルな地区の組み合わせである。 最寄りの近傍(knn)またはボールクエリは、ローカルな近傍をキャプチャできるが、長距離の依存関係を無視する。 TNラーニング(TN-Learning)と呼ばれる訓練可能な近隣学習メソドを提案する。 TN学習と組み合わせて、よりリッチな近隣情報を得る。 もう1つは情報伝達畳み込み(it-conv)で、2点間の構造情報を学習し、それを通して特徴を伝達することができる。 DNDFNを検証する4つのタスクにまたがる、理想化および非理想化ベンチマークの広範なエクスペラメントは、芸術の状態を達成している。

関連論文リスト

• VN Network: Embedding Newly Emerging Entities with Virtual Neighbors [59.906332784508706]
  本稿では,3つの課題に対処するため,VN(Virtual Neighbor)ネットワークという新しいフレームワークを提案する。 まず、近隣の空間問題を減らすために、ルールによって推測される仮想隣人の概念を導入する。 第二に、複雑なパターンを捉えるために、論理と対称パスのルールの両方を識別する。
  論文  参考訳（メタデータ） (2024-02-21T03:04:34Z)
• Task-Oriented Edge Networks: Decentralized Learning Over Wireless Fronthaul [13.150679121986792]
  本稿では,複数のエッジノードがネットワーククラウド上で強力なディープニューラルネットワーク(DNN)の助けを借りて機械学習タスクを実行するタスク指向エッジネットワークについて検討する。
  論文  参考訳（メタデータ） (2023-12-03T05:24:28Z)
• 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)
• Neural Implicit Dictionary via Mixture-of-Expert Training [111.08941206369508]
  ニューラルインシシット辞書(NID)を学習することで、データとトレーニング効率の両方を達成する汎用INRフレームワークを提案する。 我々のNIDは、所望の関数空間にまたがるように調整された座標ベースのImpworksのグループを組み立てる。 実験の結果,NIDは最大98%の入力データで2次元画像や3次元シーンの再現を2桁高速化できることがわかった。
  論文  参考訳（メタデータ） (2022-07-08T05:07:19Z)
• 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)
• DMN4: Few-shot Learning via Discriminative Mutual Nearest Neighbor Neural Network [40.18613107849442]
  少ないショット学習は、低データレギュレーション下でのイメージの分類を目的としている。 近年の業績は深層ディスクリプタを用いて有望なパフォーマンスを達成している。 各タスクに最も関連するクエリ記述子を明示的に選択するために、MNN(Mutual Nearest Neighbor)関係を提案します。
  論文  参考訳（メタデータ） (2021-03-15T06:57:09Z)
• Node2Seq: Towards Trainable Convolutions in Graph Neural Networks [59.378148590027735]
  今回提案するグラフネットワーク層であるNode2Seqは,隣接ノードの重みを明示的に調整可能なノード埋め込みを学習する。 対象ノードに対して,当手法は注意メカニズムを介して隣接ノードをソートし,さらに1D畳み込みニューラルネットワーク(CNN)を用いて情報集約のための明示的な重み付けを行う。 また, 特徴学習のための非局所的情報を, 注意スコアに基づいて適応的に組み込むことを提案する。
  論文  参考訳（メタデータ） (2021-01-06T03:05:37Z)
• PC-RGNN: Point Cloud Completion and Graph Neural Network for 3D Object Detection [57.49788100647103]
  LiDARベースの3Dオブジェクト検出は、自動運転にとって重要なタスクです。 現在のアプローチでは、遠方および閉ざされた物体の偏りと部分的な点雲に苦しむ。 本稿では,この課題を2つの解決法で解決する新しい二段階アプローチ,pc-rgnnを提案する。
  論文  参考訳（メタデータ） (2020-12-18T18:06:43Z)
• Locality Guided Neural Networks for Explainable Artificial Intelligence [12.435539489388708]
  LGNN(Locality Guided Neural Network)と呼ばれる,バック伝搬のための新しいアルゴリズムを提案する。 LGNNはディープネットワークの各層内の隣接ニューロン間の局所性を保っている。 実験では,CIFAR100 上の画像分類のための様々な VGG と Wide ResNet (WRN) ネットワークを訓練した。
  論文  参考訳（メタデータ） (2020-07-12T23:45:51Z)
• Dense Residual Network: Enhancing Global Dense Feature Flow for Character Recognition [75.4027660840568]
  本稿では,すべての畳み込み層から階層的特徴をフルに活用することにより,局所的・大域的特徴フローを改善する方法について検討する。 技術的には、テキスト認識のための効率的で効果的なCNNフレームワークであるFDRN(Fast Dense Residual Network)を提案する。
  論文  参考訳（メタデータ） (2020-01-23T06:55:08Z)

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。