論文の概要: PolyNet: Polynomial Neural Network for 3D Shape Recognition with PolyShape Representation

• arxiv url: http://arxiv.org/abs/2110.07882v1
• Date: Fri, 15 Oct 2021 06:45:59 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-19 02:04:26.020294
• Title: PolyNet: Polynomial Neural Network for 3D Shape Recognition with PolyShape Representation
• Title（参考訳）: polynet:多形表現を用いた3次元形状認識のための多項式ニューラルネットワーク
• Authors: Mohsen Yavartanoo, Shih-Hsuan Hung, Reyhaneh Neshatavar, Yue Zhang, Kyoung Mu Lee
• Abstract要約: 3次元形状表現とその処理は3次元形状認識に大きな影響を及ぼす。 我々は、ディープニューラルネットワークに基づく手法(PolyNet)と特定のポリゴン表現(PolyShape)を提案する。 本研究では,3次元形状分類と検索作業におけるPolyNetの長所と長所を実証した。
• 参考スコア（独自算出の注目度）: 51.147664305955495
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 3D shape representation and its processing have substantial effects on 3D shape recognition. The polygon mesh as a 3D shape representation has many advantages in computer graphics and geometry processing. However, there are still some challenges for the existing deep neural network (DNN)-based methods on polygon mesh representation, such as handling the variations in the degree and permutations of the vertices and their pairwise distances. To overcome these challenges, we propose a DNN-based method (PolyNet) and a specific polygon mesh representation (PolyShape) with a multi-resolution structure. PolyNet contains two operations; (1) a polynomial convolution (PolyConv) operation with learnable coefficients, which learns continuous distributions as the convolutional filters to share the weights across different vertices, and (2) a polygonal pooling (PolyPool) procedure by utilizing the multi-resolution structure of PolyShape to aggregate the features in a much lower dimension. Our experiments demonstrate the strength and the advantages of PolyNet on both 3D shape classification and retrieval tasks compared to existing polygon mesh-based methods and its superiority in classifying graph representations of images. The code is publicly available from https://myavartanoo.github.io/polynet/.
• Abstract（参考訳）: 3次元形状表現とその処理は3次元形状認識に大きな影響を及ぼす。 3次元形状表現としてのポリゴンメッシュは、コンピュータグラフィックスや幾何学処理において多くの利点がある。 しかし、ポリゴンメッシュ表現に対する既存のディープニューラルネットワーク(DNN)ベースの手法には、頂点とそのペア距離の次数と置換のバリエーションを扱うなど、まだいくつかの課題がある。 これらの課題を克服するために,マルチレゾリューション構造を有するdnn法(polynet)と特定のポリゴンメッシュ表現(polyshape)を提案する。 ポリネットは, 学習可能な係数を持つ多項式畳み込み(PolyConv)演算を, 異なる頂点にまたがる重みを共有する畳み込みフィルタとして連続分布を学習し, 2) ポリシェープの多重分解能構造を利用して多角形プーリング(PolyPool)処理を行い, より低次元で特徴を集約する。 本研究では,既存のポリゴンメッシュ法と比較して,3次元形状分類と検索課題の両方におけるポリネットの強みと長所を示し,画像のグラフ表現の優越性を示す。 コードはhttps://myavartanoo.github.io/polynet/から公開されている。

関連論文リスト

• Learning Geometric Invariant Features for Classification of Vector Polygons with Graph Message-passing Neural Network [3.804240190982697]
  本稿では,ポリゴンの形状分類のための幾何学的不変特徴を学習するために,新しいグラフメッセージパッシングニューラルネットワーク(PolyMP)を提案する。 提案したグラフベースPolyMPネットワークは,ポリゴンの幾何変換に不変な表現幾何学的特徴の学習を可能にする。
  論文  参考訳（メタデータ） (2024-07-05T08:19:36Z)
• PolyGNN: Polyhedron-based Graph Neural Network for 3D Building Reconstruction from Point Clouds [22.18061879431175]
  PolyGNNは、再構成ポイントクラウドを構築するためのグラフニューラルネットワークである。 多面体分解によって得られる原始体を組み立てることを学ぶ。 都市間および実世界の点雲上での移動可能性解析を行う。
  論文  参考訳（メタデータ） (2023-07-17T16:52:25Z)
• DPPD: Deformable Polar Polygon Object Detection [3.9236649268347765]
  我々は,ポリゴン形状の物体を検出するための新しい変形可能な極ポリゴン物体検出法(DPPD)を開発した。 DPPDは、自律運転のための様々な物体検出タスクで成功している。
  論文  参考訳（メタデータ） (2023-04-05T06:43:41Z)
• Towards General-Purpose Representation Learning of Polygonal Geometries [62.34832826705641]
  我々は,多角形形状を埋め込み空間に符号化できる汎用多角形符号化モデルを開発した。 1)MNISTに基づく形状分類,2)DBSR-46KとDBSR-cplx46Kという2つの新しいデータセットに基づく空間関係予測を行う。 以上の結果から,NUFTspec と ResNet1D は,既存のベースラインよりも有意なマージンで優れていた。
  論文  参考訳（メタデータ） (2022-09-29T15:59:23Z)
• PointMCD: Boosting Deep Point Cloud Encoders via Multi-view Cross-modal Distillation for 3D Shape Recognition [55.38462937452363]
  本稿では,教師として事前訓練されたディープイメージエンコーダ,学生としてディープポイントエンコーダを含む多視点クロスモーダル蒸留アーキテクチャを提案する。 複数ビューの視覚的および幾何学的記述子をペアワイズにアライメントすることで、より強力なディープポイントエンコーダを、疲労や複雑なネットワーク修正を伴わずに得ることができる。
  論文  参考訳（メタデータ） (2022-07-07T07:23:20Z)
• Mesh Convolution with Continuous Filters for 3D Surface Parsing [101.25796935464648]
  本稿では、3次元トライアングルメッシュから効果的な幾何学的特徴学習のための一連のモジュラー演算を提案する。 メッシュ畳み込みは球面調和を正規直交基底として利用し、連続畳み込みフィルタを生成する。 さらに,PicassoNet++という3次元表面の知覚解析のための新しい階層型ニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-12-03T09:16:49Z)
• PolyWorld: Polygonal Building Extraction with Graph Neural Networks in Satellite Images [10.661430927191205]
  本稿では、画像から直接建物頂点を抽出し、それらを正しく接続して正確なポリゴンを生成するニューラルネットワークであるPolyWorldを紹介する。 PolyWorldは、ポリゴン化の構築における最先端を著しく上回る。
  論文  参考訳（メタデータ） (2021-11-30T15:23:17Z)
• ResNet-LDDMM: Advancing the LDDMM Framework Using Deep Residual Networks [86.37110868126548]
  本研究では,eulerの離散化スキームに基づく非定常ode(フロー方程式)の解法として,深層残留ニューラルネットワークを用いた。 複雑なトポロジー保存変換の下での3次元形状の多種多様な登録問題について述べる。
  論文  参考訳（メタデータ） (2021-02-16T04:07:13Z)
• Learning Local Neighboring Structure for Robust 3D Shape Representation [143.15904669246697]
  3Dメッシュの表現学習は多くのコンピュータビジョンやグラフィックスアプリケーションにおいて重要である。 局所構造認識型異方性畳み込み操作(LSA-Conv)を提案する。 本モデルでは,3次元形状復元において最先端の手法に比べて顕著な改善が得られた。
  論文  参考訳（メタデータ） (2020-04-21T13:40:03Z)

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。