論文の概要: PointManifoldCut: Point-wise Augmentation in the Manifold for Point Clouds

• arxiv url: http://arxiv.org/abs/2109.07324v1
• Date: Wed, 15 Sep 2021 14:31:42 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-16 14:58:13.348485
• Title: PointManifoldCut: Point-wise Augmentation in the Manifold for Point Clouds
• Title（参考訳）: PointManifoldCut:ポイントクラウド用マニフォールドにおけるポイントワイド拡張
• Authors: Tianfang Zhu, Yue Guan, Anan Li
• Abstract要約: 本稿では,ニューラルネットワークの組込み点を置き換える混合拡張手法であるPointManifoldCutを提案する。 実験の結果,提案手法はポイントクラウドの分類とセグメンテーションにおいて,競争力のある性能を提供することがわかった。
• 参考スコア（独自算出の注目度）: 2.756263525080896
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Augmentation can benefit point cloud learning due to the limited availability of large-scale public datasets. This paper proposes a mix-up augmentation approach, PointManifoldCut, which replaces the neural network embedded points, rather than the Euclidean space coordinates. This approach takes the advantage that points at the higher levels of the neural network are already trained to embed its neighbors relations and mixing these representation will not mingle the relation between itself and its label. This allows to regularize the parameter space as the other augmentation methods but without worrying about the proper label of the replaced points. The experiments show that our proposed approach provides a competitive performance on point cloud classification and segmentation when it is combined with the cutting-edge vanilla point cloud networks. The result shows a consistent performance boosting compared to other state-of-the-art point cloud augmentation method, such as PointMixup and PointCutMix. The code of this paper is available at: https://github.com/fun0515/PointManifoldCut.
• Abstract（参考訳）: 拡張は、大規模な公開データセットの可用性が限られているため、ポイントクラウドラーニングに役立つ。 本稿では、ユークリッド空間座標ではなく、ニューラルネットワークの埋め込み点を置き換える混合拡張手法であるPointManifoldCutを提案する。 このアプローチは、ニューラルネットワークの上位レベルが既に隣人の関係を埋め込むように訓練されており、これらの表現を混合しても、それ自身とラベルの関係を混同しないという利点がある。 これにより、代替点の適切なラベルを気にせずに、パラメータ空間を他の拡張メソッドとして定式化することができる。 提案手法は,最先端のバニラポイント・クラウド・ネットワークと組み合わせることで,ポイント・クラウドの分類とセグメンテーションにおける競合性能をもたらすことを示す。 その結果,pointmixupやpointcutmixなど,最先端のポイントクラウド拡張手法と比較して,一貫したパフォーマンス向上が得られた。 この論文のコードは、https://github.com/fun0515/pointmanifoldcutで入手できる。

関連論文リスト

• P2P-Bridge: Diffusion Bridges for 3D Point Cloud Denoising [81.92854168911704]
  私たちは、Diffusion Schr"odingerブリッジをポイントクラウドに適応させる新しいフレームワークを通じて、ポイントクラウドを飾るタスクに取り組みます。 オブジェクトデータセットの実験では、P2P-Bridgeは既存のメソッドよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2024-08-29T08:00:07Z)
• Point2Point : A Framework for Efficient Deep Learning on Hilbert sorted Point Clouds with applications in Spatio-Temporal Occupancy Prediction [0.0]
  ヒルベルト空間充填曲線によって誘導される局所性保存1次元秩序として点雲を表現する新しい手法を提案する。 また、Hilbert分類のポイントクラウドで効果的に学習できるニューラルネットワークであるPoint2Pointを紹介します。
  論文  参考訳（メタデータ） (2023-06-28T15:30:08Z)
• FreePoint: Unsupervised Point Cloud Instance Segmentation [72.64540130803687]
  点クラウド上の教師なしクラス非依存のインスタンスセグメンテーションを探索するためのFreePointを提案する。 我々は、座標、色、そして自己監督の深い特徴を組み合わせることで、点の特徴を表現する。 ポイント機能に基づいて、ポイントクラウドを擬似ラベルとして粗いインスタンスマスクに分割し、ポイントクラウドインスタンスセグメンテーションモデルをトレーニングする。
  論文  参考訳（メタデータ） (2023-05-11T16:56:26Z)
• PointPatchMix: Point Cloud Mixing with Patch Scoring [58.58535918705736]
  我々は、パッチレベルでポイントクラウドを混合し、混合ポイントクラウドのコンテンツベースターゲットを生成するPointPatchMixを提案する。 パッチスコアリングモジュールは、事前学習した教師モデルから、コンテンツに基づく重要度スコアに基づいて目標を割り当てる。 Point-MAE をベースラインとして,ScanObjectNN では86.3%,ModelNet40 では94.1% の精度で,従来の手法をかなり上回りました。
  論文  参考訳（メタデータ） (2023-03-12T14:49:42Z)
• Point Cloud Classification Using Content-based Transformer via Clustering in Feature Space [25.57569871876213]
  本稿では,PointConTと呼ばれるポイントコンテントベースのトランスフォーマーアーキテクチャを提案する。 特徴空間内の点(コンテンツベース)の局所性を利用して、類似した特徴を持つサンプルポイントを同じクラスにクラスタし、各クラス内の自己アテンションを計算する。 また,各枝の高周波・低周波情報を並列構造を用いて個別に集約するインセプション機能アグリゲータも導入した。
  論文  参考訳（メタデータ） (2023-03-08T14:11:05Z)
• Weakly Supervised Semantic Segmentation for Large-Scale Point Cloud [69.36717778451667]
  大規模なポイントクラウドセマンティックセグメンテーションのための既存の方法は、高価な、退屈でエラーを起こしやすい手動のポイントワイドアノテーションを必要とする。 この問題を解決するために,2つのコンポーネントを含む効果的な弱教師付き手法を提案する。 実験結果から,既存の弱教師付き手法と完全教師付き手法を比較検討した。
  論文  参考訳（メタデータ） (2022-12-09T09:42:26Z)
• Data Augmentation-free Unsupervised Learning for 3D Point Cloud Understanding [61.30276576646909]
  ソフトクラスタリング(SoftClu)と呼ばれる,移動可能な点レベルの特徴を学習するための,ポイントクラウドに対する拡張不要な教師なしアプローチを提案する。 我々は,クラスタに対するポイントのアフィリエイトをプロキシとして利用し,擬似ラベル予測タスクを通じて自己学習を可能にする。
  論文  参考訳（メタデータ） (2022-10-06T10:18:16Z)
• Attribute Artifacts Removal for Geometry-based Point Cloud Compression [43.60640890971367]
  幾何ベースの点雲圧縮(G-PCC)は点雲に対する顕著な圧縮効率を達成する。 特に低いシナリオ下では、重要な属性圧縮アーティファクトが発生します。 本稿では,ポイントクラウド属性のアーティファクトを除去するマルチスケールグラフ注意ネットワーク(MSGAT)を提案する。
  論文  参考訳（メタデータ） (2021-12-01T15:21:06Z)
• PointCutMix: Regularization Strategy for Point Cloud Classification [7.6904253666422395]
  本稿では,pointcutmixという,ポイントクラウドデータの簡易かつ効果的な拡張手法を提案する。 2つの点雲間の最適な割り当てを見つけ、1つのサンプルの点を最適に割り当てられたペアに置き換えることで、新しいトレーニングデータを生成する。
  論文  参考訳（メタデータ） (2021-01-05T11:39:06Z)
• PointMixup: Augmentation for Point Clouds [65.61212404598524]
  本稿では,2つの点群間の経路関数を最適に割り当てることで,新しい例を生成するPointMixupを紹介する。 ポイントクラウド分類におけるPointMixupの可能性を示す。
  論文  参考訳（メタデータ） (2020-08-14T13:57:20Z)

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。