論文の概要: CPFN: Cascaded Primitive Fitting Networks for High-Resolution Point Clouds

• arxiv url: http://arxiv.org/abs/2109.00113v1
• Date: Tue, 31 Aug 2021 23:27:33 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-02 14:24:17.394988
• Title: CPFN: Cascaded Primitive Fitting Networks for High-Resolution Point Clouds
• Title（参考訳）: CPFN:高分解能点雲のためのカスケードプリミティブフィッティングネットワーク
• Authors: Eric-Tuan L\^e, Minhyuk Sung, Duygu Ceylan, Radomir Mech, Tamy Boubekeur and Niloy J. Mitra
• Abstract要約: 本稿では,グローバルおよびローカルなプリミティブ検出ネットワークの検出結果をアダプティブパッチサンプリングネットワークに依存したCPFN(Cascaded Primitive Fitting Networks)を提案する。 CPFNは、高解像度のポイントクラウドデータセット上で、最先端のSPFNのパフォーマンスを13-14%改善し、特に20-22%の微細プリミティブの検出を改善している。
• 参考スコア（独自算出の注目度）: 51.47100091540298
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Representing human-made objects as a collection of base primitives has a long history in computer vision and reverse engineering. In the case of high-resolution point cloud scans, the challenge is to be able to detect both large primitives as well as those explaining the detailed parts. While the classical RANSAC approach requires case-specific parameter tuning, state-of-the-art networks are limited by memory consumption of their backbone modules such as PointNet++, and hence fail to detect the fine-scale primitives. We present Cascaded Primitive Fitting Networks (CPFN) that relies on an adaptive patch sampling network to assemble detection results of global and local primitive detection networks. As a key enabler, we present a merging formulation that dynamically aggregates the primitives across global and local scales. Our evaluation demonstrates that CPFN improves the state-of-the-art SPFN performance by 13-14% on high-resolution point cloud datasets and specifically improves the detection of fine-scale primitives by 20-22%.
• Abstract（参考訳）: 人造オブジェクトをベースプリミティブの集合として表現することは、コンピュータビジョンとリバースエンジニアリングにおいて長い歴史を持つ。 高解像度のポイントクラウドスキャンの場合、大きなプリミティブと詳細部分の説明の両方を検出できることが課題である。 古典的なRANSACアプローチでは、ケース固有のパラメータチューニングを必要とするが、最先端のネットワークはPointNet++のようなバックボーンモジュールのメモリ消費によって制限され、したがって大規模なプリミティブを検出できない。 本稿では,グローバルおよびローカルなプリミティブ検出ネットワークの検出結果をアダプティブパッチサンプリングネットワークに依存したCPFN(Cascaded Primitive Fitting Networks)を提案する。 キーイネーブラとして,グローバルスケールとローカルスケール間で動的にプリミティブを集約するマージ定式化を提案する。 評価の結果,CPFNは高解像度のクラウドデータセットにおいて,最先端のSPFNの性能を13-14%向上し,特に20-22%の小型プリミティブの検出を改善した。

関連論文リスト

• NIDS Neural Networks Using Sliding Time Window Data Processing with Trainable Activations and its Generalization Capability [0.0]
  本稿では,ネットワーク侵入検知システム(NIDS)のためのニューラルネットワークについて述べる。 ディープパケットインスペクションに頼らず、ほとんどのNIDSデータセットで見つからず、従来のフローコレクタから簡単に取得できる11の機能しか必要としない。 報告されたトレーニング精度は、提案手法の99%を超え、ニューラルネットワークの入力特性は20に満たない。
  論文  参考訳（メタデータ） (2024-10-24T11:36:19Z)
• Scale-Invariant Object Detection by Adaptive Convolution with Unified Global-Local Context [3.061662434597098]
  本稿では,効率的なDetモデルに基づくSAC-Net(Switchable Atrous Convolutional Network)を用いたオブジェクト検出モデルを提案する。 提案したSAC-Netは,マルチスケールオブジェクト検出タスクの性能向上を実現するために,低レベル機能と高レベル機能の両方の利点をカプセル化している。 ベンチマークデータセットを用いた実験により,提案したSAC-Netは,精度の点で最先端モデルよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-09-17T10:08:37Z)
• ELGC-Net: Efficient Local-Global Context Aggregation for Remote Sensing Change Detection [65.59969454655996]
  本稿では,変化領域を正確に推定するために,リッチな文脈情報を利用する効率的な変化検出フレームワークELGC-Netを提案する。 提案するELGC-Netは、リモートセンシング変更検出ベンチマークにおいて、最先端の性能を新たに設定する。 また,ELGC-Net-LWも導入した。
  論文  参考訳（メタデータ） (2024-03-26T17:46:25Z)
• Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
  本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-08-18T13:13:09Z)
• Affordance detection with Dynamic-Tree Capsule Networks [5.847547503155588]
  視覚入力からの精度検出は、自律的なロボット操作の基本的なステップである。 疎3次元点雲のための動的木構造カプセルをベースとした第1次空隙検出ネットワークを提案する。 このアルゴリズムは、未確認物体の把握に直面する場合、現在の空き検出方法よりも優れている。
  論文  参考訳（メタデータ） (2022-11-09T21:14:08Z)
• On the detection of morphing attacks generated by GANs [0.0]
  近年の研究では、従来のランドマークベースの手法と同様の成功率に達するGANベースのモーフィング攻撃の実現可能性を示している。 スペクトル特徴とLBPヒストグラム特徴に基づく簡易な深部形態検出ベースラインについて検討する。 GAN画像検出に有効な事前トレーニングされたResNetが最も有効であり、精度は完璧に近いと結論付けている。
  論文  参考訳（メタデータ） (2022-09-01T12:28:55Z)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)
• Resolution Adaptive Networks for Efficient Inference [53.04907454606711]
  本稿では,低分解能表現が「容易」な入力を分類するのに十分である,という直感に触発された新しいレゾリューション適応ネットワーク(RANet)を提案する。 RANetでは、入力画像はまず、低解像度表現を効率的に抽出する軽量サブネットワークにルーティングされる。 ネットワーク内の高解像度パスは、"ハード"サンプルを認識する能力を維持している。
  論文  参考訳（メタデータ） (2020-03-16T16:54:36Z)
• MSE-Optimal Neural Network Initialization via Layer Fusion [68.72356718879428]
  ディープニューラルネットワークは、さまざまな分類と推論タスクに対して最先端のパフォーマンスを達成する。 グラデーションと非進化性の組み合わせは、学習を新しい問題の影響を受けやすいものにする。 確率変数を用いて学習した深層ネットワークの近傍層を融合する手法を提案する。
  論文  参考訳（メタデータ） (2020-01-28T18:25:15Z)

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。