論文の概要: Learning Inner-Group Relations on Point Clouds
- arxiv url: http://arxiv.org/abs/2108.12468v1
- Date: Fri, 27 Aug 2021 19:29:05 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-31 15:03:01.649439
- Title: Learning Inner-Group Relations on Point Clouds
- Title（参考訳）: 点雲上の内集団関係の学習
- Authors: Haoxi Ran, Wei Zhuo, Jun Liu, Li Lu
- Abstract要約: グループ関係アグリゲータと呼ばれるスケーラブルで効率的なモジュールを提案する。
加群は、幾何学的関係と意味的関係によって重み付けられた内群点の特徴の集合に基づいて群の特徴を計算する。
分類とセグメント化のタスクに基づいて,深さと幅の両面でRPNetの拡張性を検証する。
- 参考スコア（独自算出の注目度）: 6.497926259296279
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The prevalence of relation networks in computer vision is in stark contrast
to underexplored point-based methods. In this paper, we explore the
possibilities of local relation operators and survey their feasibility. We
propose a scalable and efficient module, called group relation aggregator. The
module computes a feature of a group based on the aggregation of the features
of the inner-group points weighted by geometric relations and semantic
relations. We adopt this module to design our RPNet. We further verify the
expandability of RPNet, in terms of both depth and width, on the tasks of
classification and segmentation. Surprisingly, empirical results show that
wider RPNet fits for classification, while deeper RPNet works better on
segmentation. RPNet achieves state-of-the-art for classification and
segmentation on challenging benchmarks. We also compare our local aggregator
with PointNet++, with around 30% parameters and 50% computation saving.
Finally, we conduct experiments to reveal the robustness of RPNet with regard
to rigid transformation and noises.
- Abstract（参考訳）: コンピュータビジョンにおける関係ネットワークの普及は、未探索の点ベース手法とは対照的である。
本稿では,局所関係演算子の可能性について検討し,その実現可能性について検討する。
グループ関係アグリゲータと呼ばれるスケーラブルで効率的なモジュールを提案する。
このモジュールは、幾何学的関係と意味的関係によって重みづけられた内集団点の特徴の集約に基づいて、群の特徴を計算する。
私たちはRPNetの設計にこのモジュールを採用しています。
さらに,分類とセグメンテーションのタスクに基づいて,深さと幅の両面でRPNetの拡張性を検証する。
驚くべきことに、実験的な結果は、より広いRPNetが分類に適合することを示している。
RPNetは、挑戦的なベンチマークで分類とセグメンテーションの最先端を達成する。
また、ローカルアグリゲータをpointnet++と比較し、約30%のパラメータと50%の計算節約を実現しました。
最後に,剛性変換と雑音に関してrpnetのロバスト性を明らかにする実験を行った。
関連論文リスト
- GSTran: Joint Geometric and Semantic Coherence for Point Cloud Segmentation [33.72549134362884]
本稿では,セグメント化作業に適した新しい変圧器ネットワークであるGSTranを提案する。
提案するネットワークは主に,局所幾何学変換器と大域意味変換器の2つの主成分から構成される。
ShapeNetPartとS3DISベンチマークの実験により,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2024-08-21T12:12:37Z) - Point Deformable Network with Enhanced Normal Embedding for Point Cloud
Analysis [59.12922158979068]
近年,ポイントクラウド解析において高い性能を示す手法が提案されている。
単純なアーキテクチャは局所的な点群で幾何学的特徴を学ぶことができるが、長距離依存を直接モデル化することができない。
本稿では,表現能力の強い長距離関係を捉えるために,PDNet(Point Deformable Network)を提案する。
論文 参考訳（メタデータ） (2023-12-20T14:52:07Z) - Region-Enhanced Feature Learning for Scene Semantic Segmentation [19.20735517821943]
計算負担を軽減するために,細粒度点やボクセルの代わりに点雲の中間表現として領域を用いることを提案する。
本研究では,セマンティック空間領域抽出段階と領域依存モデリング段階からなるRFEモジュールを設計する。
我々のREFL-NetはScanNetV2で1.8% mIoUゲイン、S3DISデータセットで1.7% mIoUゲインを無視可能な計算コストで達成している。
論文 参考訳（メタデータ） (2023-04-15T06:35:06Z) - Points-of-Interest Relationship Inference with Spatial-enriched Graph
Neural Networks [39.83919864839631]
複数の関係型に対するPOI関係推論に取り組むために,PRIMを提案する。
PRIMは、重み付きリレーショナルグラフニューラルネットワーク、カテゴリー分類統合、自己注意型空間文脈抽出器、距離特異的スコアリング機能を含む4つの新しいコンポーネントを備えている。
論文 参考訳（メタデータ） (2022-02-28T11:09:54Z) - PRA-Net: Point Relation-Aware Network for 3D Point Cloud Analysis [56.91758845045371]
我々はポイント関係認識ネットワーク(PRA-Net)という新しいフレームワークを提案する。
領域内構造学習(ISL)モジュールと領域間関係学習(IRL)モジュールで構成されている。
形状分類,キーポイント推定,部分セグメンテーションを含む複数の3次元ベンチマーク実験により,PRA-Netの有効性と性能が検証された。
論文 参考訳（メタデータ） (2021-12-09T13:24:43Z) - Conformer: Local Features Coupling Global Representations for Visual
Recognition [72.9550481476101]
本稿では,畳み込み操作と自己アテンション機構を利用した表現学習のためのハイブリッドネットワーク構造,conformerを提案する。
実験では、コンフォーマーが同等のパラメータ複雑性の下で視覚変換器(DeiT-B)を2.3%上回ることが示されている。
論文 参考訳（メタデータ） (2021-05-09T10:00:03Z) - Deeper or Wider Networks of Point Clouds with Self-attention? [2.4367113675470553]
本稿では,ネットワーク構築のための基本ブロックとしてグループワイド自己アテンションを提案する。
SepNetは、グループ内の任意の点の重み付けされた特徴の和に基づいて、グループの特徴を計算する。
SepNetは, 幅や深さの増大により, 分類やセグメンテーションにおいて, 余分な精度が得られるという実証的証拠を示す。
論文 参考訳（メタデータ） (2020-11-29T05:03:06Z) - SOE-Net: A Self-Attention and Orientation Encoding Network for Point
Cloud based Place Recognition [50.9889997200743]
我々は、自己アテンション・指向性符号化ネットワーク(SOE-Net)を用いて、ポイントクラウドデータから位置認識する問題に取り組む。
SOE-Netは、ポイント間の関係を完全に探求し、長距離コンテキストをポイントワイドなローカル記述子に組み込む。
様々なベンチマークデータセットの実験では、現在の最先端アプローチよりも提案したネットワークの性能が優れていることが示されている。
論文 参考訳（メタデータ） (2020-11-24T22:28:25Z) - Boundary-assisted Region Proposal Networks for Nucleus Segmentation [89.69059532088129]
大量の核が混在しているため、機械学習モデルはうまく機能しない。
我々は、堅牢なインスタンスレベルの核分割を実現する境界支援領域提案ネットワーク(BRP-Net)を考案する。
論文 参考訳（メタデータ） (2020-06-04T08:26:38Z) - Weakly-Supervised Semantic Segmentation by Iterative Affinity Learning [86.45526827323954]
弱教師付きセマンティックセグメンテーションは、トレーニングのためにピクセル単位のラベル情報が提供されないため、難しい課題である。
このようなペア関係を学習するための反復アルゴリズムを提案する。
本稿では,提案アルゴリズムが最先端手法に対して好適に動作することを示す。
論文 参考訳（メタデータ） (2020-02-19T10:32:03Z)
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。