Fugu-MT 論文翻訳(概要): Fast Point Voxel Convolution Neural Network with Selective Feature Fusion for Point Cloud Semantic Segmentation

論文の概要: Fast Point Voxel Convolution Neural Network with Selective Feature Fusion for Point Cloud Semantic Segmentation

arxiv url: http://arxiv.org/abs/2109.11614v1
Date: Thu, 23 Sep 2021 19:39:01 GMT
ステータス: 処理完了
システム内更新日: 2021-09-28 05:55:58.563480
Title: Fast Point Voxel Convolution Neural Network with Selective Feature Fusion for Point Cloud Semantic Segmentation
Title（参考訳）: ポイントクラウドセマンティクスセグメンテーションのための選択的特徴融合を用いた高速点ボクセル畳み込みニューラルネットワーク
Authors: Xu Wang, Yuyan Li, Ye Duan
Abstract要約: 本稿では,ポイントクラウド解析のための軽量畳み込みニューラルネットワークを提案する。本手法はサンプリングなしで全点集合上で動作し,効率よく性能を向上する。
参考スコア（独自算出の注目度）: 7.557684072809662
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present a novel lightweight convolutional neural network for point cloud analysis. In contrast to many current CNNs which increase receptive field by downsampling point cloud, our method directly operates on the entire point sets without sampling and achieves good performances efficiently. Our network consists of point voxel convolution (PVC) layer as building block. Each layer has two parallel branches, namely the voxel branch and the point branch. For the voxel branch specifically, we aggregate local features on non-empty voxel centers to reduce geometric information loss caused by voxelization, then apply volumetric convolutions to enhance local neighborhood geometry encoding. For the point branch, we use Multi-Layer Perceptron (MLP) to extract fine-detailed point-wise features. Outputs from these two branches are adaptively fused via a feature selection module. Moreover, we supervise the output from every PVC layer to learn different levels of semantic information. The final prediction is made by averaging all intermediate predictions. We demonstrate empirically that our method is able to achieve comparable results while being fast and memory efficient. We evaluate our method on popular point cloud datasets for object classification and semantic segmentation tasks.
Abstract（参考訳）: 本稿では,ポイントクラウド解析のための軽量畳み込みニューラルネットワークを提案する。点群をダウンサンプリングすることで受容場を増大させる多くのCNNとは対照的に,本手法はサンプリングなしで点集合全体を直接操作し,効率よく性能を向上する。私たちのネットワークは、ビルディングブロックとしてポイントボクセル畳み込み(PVC)層で構成されています。各層は2つの平行分岐、すなわちボクセル分岐と点分岐を持つ。特にvoxelブランチでは、空でないvoxelセンタに局所的な特徴を集約し、voxel化による幾何学的情報損失を低減し、ボリューム的畳み込みを適用して局所近傍幾何エンコーディングを強化する。点分枝では,多層パーセプトロン (MLP) を用いて細かな点次特徴を抽出する。これら2つのブランチからの出力は、機能選択モジュールを介して適応的に融合される。さらに、各pvc層からの出力を監督し、異なる意味情報のレベルを学習する。最終的な予測は、すべての中間予測を平均化する。提案手法は,高速かつメモリ効率を保ちながら,同等の結果が得られることを示す。本手法は,オブジェクト分類と意味セグメンテーションタスクのためのpopular point cloudデータセット上で評価する。

関連論文リスト

VTPNet for 3D deep learning on point cloud [10.470127366415813]
Voxel-Transformer-Point(VTP)ブロックは、ポイントクラウドの局所的およびグローバル的特徴を抽出する。 VTPは、ボクセルベース、ポイントベース、トランスフォーマーベースの方法の利点を組み合わせたものである。実験の結果、VTPNetは3Dポイントのクラウド学習において優れたパフォーマンスを示している。
論文参考訳（メタデータ） (2023-05-10T13:07:46Z)
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)
Adaptive Edge-to-Edge Interaction Learning for Point Cloud Analysis [118.30840667784206]
ポイントクラウドデータ処理の大きな問題は、ローカルリージョンから有用な情報を抽出することだ。従来の研究は、局所的な形状情報を符号化する地域におけるエッジ間の関係を無視していた。本稿では,Adaptive Edge-to-Edge Interaction Learningモジュールを提案する。
論文参考訳（メタデータ） (2022-11-20T07:10:14Z)
CloudAttention: Efficient Multi-Scale Attention Scheme For 3D Point Cloud Learning [81.85951026033787]
この作業にトランスフォーマーをセットし、それらを形状分類と部分およびシーンセグメンテーションのための階層的なフレームワークに組み込む。また、各イテレーションにおけるサンプリングとグループ化を活用して、効率的でダイナミックなグローバルなクロスアテンションを計算します。提案した階層モデルは,最先端の形状分類を平均精度で達成し,従来のセグメンテーション法と同等の結果を得る。
論文参考訳（メタデータ） (2022-07-31T21:39:15Z)
SemAffiNet: Semantic-Affine Transformation for Point Cloud Segmentation [94.11915008006483]
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SemAffiNetを提案する。我々はScanNetV2とNYUv2データセットについて広範な実験を行った。
論文参考訳（メタデータ） (2022-05-26T17:00:23Z)
Stratified Transformer for 3D Point Cloud Segmentation [89.9698499437732]
Stratified Transformerは、長距離コンテキストをキャプチャし、強力な一般化能力と高性能を示す。不規則な点配置によって引き起こされる課題に対処するために,局所情報を集約する第1層点埋め込みを提案する。 S3DIS, ScanNetv2およびShapeNetPartデータセットにおける本手法の有効性と優位性を示す実験を行った。
論文参考訳（メタデータ） (2022-03-28T05:35:16Z)
CP-Net: Contour-Perturbed Reconstruction Network for Self-Supervised Point Cloud Learning [53.1436669083784]
本稿では,CP-Net(Contour-Perturbed Restruction Network)を提案する。分類では、ModelNet40(92.5%の精度)とScanObjectNN(87.9%の精度)の完全教師付き手法で競合する結果を得る。
論文参考訳（メタデータ） (2022-01-20T15:04:12Z)
ODFNet: Using orientation distribution functions to characterize 3D point clouds [0.0]
点まわりの点配向分布を利用して、点群の表現力のある局所近傍表現を得ます。新しい ODFNet モデルは ModelNet40 と ScanObjectNN データセットのオブジェクト分類における最先端の精度を実現する。
論文参考訳（メタデータ） (2020-12-08T19:54:20Z)
Learning-based lossless compression of 3D point cloud geometry [11.69103847045569]
encoderはハイブリッドモードで動作し、octreeとvoxelベースのコーディングを混合する。提案手法は,最先端MPEG G-PCC規格を平均28%で上回っている。
論文参考訳（メタデータ） (2020-11-30T11:27:16Z)
Refinement of Predicted Missing Parts Enhance Point Cloud Completion [62.997667081978825]
点雲完了は、部分的な観測から3次元形状の点集合表現を用いて完全な幾何学を予測するタスクである。従来のアプローチでは、不完全点集合によって供給されるエンコーダ・デコーダモデルにより、点雲全体を直接推定するニューラルネットワークが提案されていた。本稿では、欠落した幾何を計算し、既知の入力と予測点クラウドを融合することに焦点を当てたエンドツーエンドニューラルネットワークアーキテクチャを提案する。
論文参考訳（メタデータ） (2020-10-08T22:01:23Z)
Cascaded Non-local Neural Network for Point Cloud Semantic Segmentation [37.33261773707134]
提案するネットワークは、正確なセグメンテーションのために、ポイントクラウドの長距離依存関係を構築することを目的としている。我々は,近隣レベル,スーパーポイントレベル,グローバルレベルの非ローカルブロックからなる新しい非ローカルモジュールを開発する。提案手法は,最先端性能を実現し,時間消費とメモリ占有を効果的に削減する。
論文参考訳（メタデータ） (2020-07-30T14:34:43Z)

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。