論文の概要: SPNet: Multi-Shell Kernel Convolution for Point Cloud Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2109.11610v1
• Date: Thu, 23 Sep 2021 19:34:20 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-28 06:06:06.374113
• Title: SPNet: Multi-Shell Kernel Convolution for Point Cloud Semantic Segmentation
• Title（参考訳）: SPNet: ポイントクラウドセマンティックセマンティックセグメンテーションのためのマルチシェルカーネルコンボリューション
• Authors: Yuyan Li, Chuanmao Fan, Xu Wang, Ye Duan
• Abstract要約: 形状符号化と局所文脈学習のための点畳み込み演算子Shell Point Convolution (SPConv)を提案する。 SPConvは、3D近隣空間をシェルに分割し、手動で設計されたカーネルポイント上のローカル特徴を集約し、シェル上で畳み込みを行う。 SPConvに基づいて、SPNetという名前のディープニューラルネットワークが構築され、大規模なポイントクラウドを処理する。
• 参考スコア（独自算出の注目度）: 6.72451776644676
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Feature encoding is essential for point cloud analysis. In this paper, we propose a novel point convolution operator named Shell Point Convolution (SPConv) for shape encoding and local context learning. Specifically, SPConv splits 3D neighborhood space into shells, aggregates local features on manually designed kernel points, and performs convolution on the shells. Moreover, SPConv incorporates a simple yet effective attention module that enhances local feature aggregation. Based upon SPConv, a deep neural network named SPNet is constructed to process large-scale point clouds. Poisson disk sampling and feature propagation are incorporated in SPNet for better efficiency and accuracy. We provided details of the shell design and conducted extensive experiments on challenging large-scale point cloud datasets. Experimental results show that SPConv is effective in local shape encoding, and our SPNet is able to achieve top-ranking performances in semantic segmentation tasks.
• Abstract（参考訳）: 特徴符号化はポイントクラウド分析に不可欠である。 本稿では,形状符号化と局所文脈学習のための新たな点畳み込み演算子であるShell Point Convolution(SPConv)を提案する。 具体的には、SPConvは3D近傍空間をシェルに分割し、手動で設計されたカーネルポイント上のローカル特徴を集約し、シェル上で畳み込みを行う。 さらに、spconvには、局所的な機能集約を強化するシンプルで効果的なアテンションモジュールが組み込まれている。 SPConvに基づいて、SPNetという名前のディープニューラルネットワークが構築され、大規模なポイントクラウドを処理する。 ポアソンディスクサンプリングと特徴伝搬はSPNetに組み込まれ、効率と精度が向上する。 シェル設計の詳細を提供し,大規模ポイントクラウドデータセットへの挑戦に関する広範な実験を行った。 実験の結果,spconvは局所的な形状エンコーディングに有効であり,spnetは意味セグメンテーションタスクにおいて上位のパフォーマンスを達成できることがわかった。

関連論文リスト

• SWCF-Net: Similarity-weighted Convolution and Local-global Fusion for Efficient Large-scale Point Cloud Semantic Segmentation [10.328077317786342]
  SWCF-Net という名前の類似度重み付き畳み込みとローカル・グローバル・フュージョン・ネットワークを提案する。 提案手法は計算コストを削減し,大規模点群を効率的に処理できる。
  論文  参考訳（メタデータ） (2024-06-17T11:54:46Z)
• 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)
• Composite Convolution: a Flexible Operator for Deep Learning on 3D Point Clouds [4.104847990024176]
  本稿では,3次元点雲を処理する既存の畳み込み演算子に代わる,柔軟で汎用的な複合層について紹介する。 ConvPointやKPConvのような主流のポイント・コンボリューション・レイヤと比較して、我々のコンポジット・レイヤはネットワーク設計の柔軟性を保証し、さらなる正規化の形式を提供します。 合成および実世界のデータセットを用いた実験により,分類,セグメンテーション,異常検出の両面で,当社のCompositeNetsは,同じシーケンシャルアーキテクチャを用いたConvPointより優れており,より深い残差アーキテクチャを持つKPConvと同じような結果が得られることがわかった。
  論文  参考訳（メタデータ） (2022-09-23T18:32:18Z)
• PSNet: Fast Data Structuring for Hierarchical Deep Learning on Point Cloud [2.9767565026354186]
  本稿ではPSNetと呼ばれる高速なデータ構造化手法を提案する。 PSNetは点の空間的特徴を変換し、点雲内の局所領域の特徴とマッチングする。 その結果,PSNetはモデルの精度を維持しながらトレーニング速度と推論速度を大幅に改善できることがわかった。
  論文  参考訳（メタデータ） (2022-05-30T10:03:13Z)
• Snowflake Point Deconvolution for Point Cloud Completion and Generation with Skip-Transformer [60.32185890237936]
  完全点雲を生成するために,Snowflake Point Deconvolution (SPD) を用いたSnowflakeNetを提案する。 SPDは、完全点雲の生成を雪片のような点の成長としてモデル化し、それぞれのSPD後に親点を分割することで、子点を徐々に生成する。 詳細な幾何学を明らかにする上での洞察は,ローカル領域に最適な点分割パターンを学習するために,SPDにスキップ変換器を導入することである。
  論文  参考訳（メタデータ） (2022-02-18T17:09:49Z)
• GSIP: Green Semantic Segmentation of Large-Scale Indoor Point Clouds [64.86292006892093]
  GSIP (Green of Indoor Point clouds) は大規模屋内シーンポイント雲のセマンティックセグメンテーションの効率的なソリューションである。 GSIPには2つの新しいコンポーネントがある: 1) 更なる処理のためにポイントの適切なサブセットを選択するルームスタイルのデータ前処理方法、2) ポイントホップから拡張された新しい特徴抽出器。 実験の結果、GSIPはS3DISデータセットのセグメンテーション性能においてPointNetよりも優れていた。
  論文  参考訳（メタデータ） (2021-09-24T09:26:53Z)
• SnowflakeNet: Point Cloud Completion by Snowflake Point Deconvolution with Skip-Transformer [54.45987960347304]
  完全点雲を生成するために,Snowflake Point Deconvolution (SPD) を用いたSnowflakeNetを提案する。 SPDは、局所的に最も適した点分割パターンを学習する。 我々の実験結果は,広く使用されているベンチマークにおいて,最先端のクラウド補完手法よりも優れていた。
  論文  参考訳（メタデータ） (2021-08-10T04:33:37Z)
• Learning Semantic Segmentation of Large-Scale Point Clouds with Random Sampling [52.464516118826765]
  我々はRandLA-Netを紹介した。RandLA-Netは、大規模ポイントクラウドのポイントごとの意味を推論する、効率的で軽量なニューラルネットワークアーキテクチャである。 我々のアプローチの鍵は、より複雑な点選択アプローチではなく、ランダムな点サンプリングを使用することである。 我々のRandLA-Netは、既存のアプローチよりも最大200倍高速な1回のパスで100万ポイントを処理できます。
  論文  参考訳（メタデータ） (2021-07-06T05:08:34Z)
• SpinNet: Learning a General Surface Descriptor for 3D Point Cloud Registration [57.28608414782315]
  ローカルな特徴を抽出するために、SpinNetと呼ばれる新しい、概念的にはシンプルで、ニューラルなアーキテクチャを導入する。 屋内と屋外の両方の実験では、SpinNetが既存の最先端技術より優れていることが示されている。
  論文  参考訳（メタデータ） (2020-11-24T15:00:56Z)
• SK-Net: Deep Learning on Point Cloud via End-to-end Discovery of Spatial Keypoints [7.223394571022494]
  本稿では,空間キーポイントの推論と点雲の特徴表現の学習を協調的に最適化する,エンドツーエンドのフレームワークであるSK-Netを提案する。 提案手法は,ポイントクラウドタスクにおける最先端手法に匹敵する性能を示した。
  論文  参考訳（メタデータ） (2020-03-31T08:15:40Z)
• RPM-Net: Robust Point Matching using Learned Features [79.52112840465558]
  RPM-Netは、より敏感で、より堅牢なディープラーニングベースのアプローチである。 既存の方法とは異なり、我々のRPM-Netは、部分的な可視性を備えた対応や点雲の欠如を処理します。
  論文  参考訳（メタデータ） (2020-03-30T13:45:27Z)

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。