論文の概要: Anisotropic Separable Set Abstraction for Efficient Point Cloud Representation Learning

• arxiv url: http://arxiv.org/abs/2110.10538v1
• Date: Wed, 20 Oct 2021 12:47:42 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-22 16:34:57.226592
• Title: Anisotropic Separable Set Abstraction for Efficient Point Cloud Representation Learning
• Title（参考訳）: 効率的な点クラウド表現学習のための異方性分離集合抽象化
• Authors: Guocheng Qian, Hasan Abed Al Kader Hammoud, Guohao Li, Ali Thabet, Bernard Ghanem
• Abstract要約: 私たちはPointNet++を再考し、最も影響力がありながら探索されていないネットワークの1つに目を向けました。 本稿では,バニラSAモジュールを2つの異なる学習段階に分離する,分離可能な抽象モジュールを提案する。 本稿では,ネットワークの精度を大幅に向上させるAnisotropic Separable SA (ASSA) モジュールを提案する。
• 参考スコア（独自算出の注目度）: 60.400817204880404
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Access to 3D point cloud representations has been widely facilitated by LiDAR sensors embedded in various mobile devices. This has led to an emerging need for fast and accurate point cloud processing techniques. In this paper, we revisit and dive deeper into PointNet++, one of the most influential yet under-explored networks, and develop faster and more accurate variants of the model. We first present a novel Separable Set Abstraction (SA) module that disentangles the vanilla SA module used in PointNet++ into two separate learning stages: (1) learning channel correlation and (2) learning spatial correlation. The Separable SA module is significantly faster than the vanilla version, yet it achieves comparable performance. We then introduce a new Anisotropic Reduction function into our Separable SA module and propose an Anisotropic Separable SA (ASSA) module that substantially increases the network's accuracy. We later replace the vanilla SA modules in PointNet++ with the proposed ASSA module, and denote the modified network as ASSANet. Extensive experiments on point cloud classification, semantic segmentation, and part segmentation show that ASSANet outperforms PointNet++ and other methods, achieving much higher accuracy and faster speeds. In particular, ASSANet outperforms PointNet++ by $7.4$ mIoU on S3DIS Area 5, while maintaining $1.6 \times $ faster inference speed on a single NVIDIA 2080Ti GPU. Our scaled ASSANet variant achieves $66.8$ mIoU and outperforms KPConv, while being more than $54 \times$ faster.
• Abstract（参考訳）: 3Dポイントのクラウド表現へのアクセスは、様々なモバイルデバイスに埋め込まれたLiDARセンサーによって広く促進されている。 これにより、高速で正確なポイントクラウド処理技術の必要性が高まっている。 本稿では、最も影響力があり、未調査のネットワークであるpointnet++を再検討し、より高速で正確なモデルの変種を開発する。 まず,pointnet++で使用されるvanilla saモジュールを,(1)学習チャネル相関と(2)学習空間相関という2つの学習段階に分けた,新たな分離可能集合抽象化(sa)モジュールを提案する。 Separable SAモジュールは、バニラバージョンよりも大幅に高速だが、同等のパフォーマンスを実現している。 次に、分離可能なSAモジュールに新しい異方性還元関数を導入し、ネットワークの精度を大幅に向上させるAnisotropic Separable SA(ASSA)モジュールを提案する。 その後、PointNet++のバニラSAモジュールをASSAモジュールに置き換え、修正されたネットワークをASSANetと表現した。 ポイントクラウド分類、セマンティックセグメンテーション、パートセグメンテーションに関する大規模な実験は、ASSANetがPointNet++や他のメソッドより優れており、はるかに高い精度と高速なスピードを実現していることを示している。 特にASSANetは、S3DIS Area 5でPointNet++を74$ mIoUで上回り、1つのNVIDIA 2080Ti GPUで1.6 \times $高速推論速度を維持している。 当社のスケールしたASSANetは660.8ドルのmIoUを実現し、KPConvを上回っています。

関連論文リスト

• FASTC: A Fast Attentional Framework for Semantic Traversability Classification Using Point Cloud [7.711666704468952]
  点雲を用いたトラバーサビリティ評価の問題に対処する。 本稿では,垂直に配置された点雲から特徴を捉えるために PointNet を利用した柱状特徴抽出モジュールを提案する。 次に、LIDAR点雲の密度問題に適切に対応できる多フレーム情報を融合する新しい時間的アテンションモジュールを提案する。
  論文  参考訳（メタデータ） (2024-06-24T12:01:55Z)
• Clustering based Point Cloud Representation Learning for 3D Analysis [80.88995099442374]
  本稿では,ポイントクラウド分析のためのクラスタリングに基づく教師付き学習手法を提案する。 現在のデファクトでシーンワイドなトレーニングパラダイムとは異なり、我々のアルゴリズムは点埋め込み空間上でクラス内のクラスタリングを行う。 我々のアルゴリズムは、有名なポイントクラウドセグメンテーションデータセットの顕著な改善を示している。
  論文  参考訳（メタデータ） (2023-07-27T03:42:12Z)
• A Closer Look at Few-Shot 3D Point Cloud Classification [21.57893885371941]
  本稿では,SPF (Salient-Part Fusion) モジュール,SCI+ (Self-Channel Interaction Plus) モジュール,CIF+ (Cross-Instance Fusion Plus) モジュールという3つの新しいプラグ・アンド・プレイコンポーネントを備えた新しいネットワーク PCIA を提案する。 これらのモジュールは、小さな変更を伴ってほとんどのFSLアルゴリズムに挿入でき、性能が大幅に向上する。 3つのベンチマークデータセット、ModelNet40-FS、ShapeNet70-FS、ScanObjectNN-FSの実験結果から,本手法が最先端の性能を実現することを示す。
  論文  参考訳（メタデータ） (2023-03-31T17:01:13Z)
• Lightweight and Progressively-Scalable Networks for Semantic Segmentation [100.63114424262234]
  マルチスケール学習フレームワークは,セマンティックセグメンテーションを向上する有効なモデルのクラスと見なされてきた。 本稿では,畳み込みブロックの設計と,複数スケールにわたる相互作用の仕方について,徹底的に解析する。 我々は,軽量で拡張性の高いネットワーク(LPS-Net)を考案した。
  論文  参考訳（メタデータ） (2022-07-27T16:00:28Z)
• Deep Point Cloud Reconstruction [74.694733918351]
  3Dスキャンから得られる点雲は、しばしばスパース、ノイズ、不規則である。 これらの問題に対処するため、最近の研究は別々に行われ、不正確な点雲を密度化、復調し、完全な不正確な点雲を観測している。 本研究では,1) 初期密度化とデノナイズのための3次元スパース集積時間ガラスネットワーク,2) 離散ボクセルを3Dポイントに変換するトランスフォーマーによる改良,の2段階からなる深部点雲再構成ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-11-23T07:53:28Z)
• 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)
• FatNet: A Feature-attentive Network for 3D Point Cloud Processing [1.502579291513768]
  本稿では,グローバルポイントベースの機能とエッジベースの機能を組み合わせた,新たな機能指向ニューラルネットワーク層であるfat layerを提案する。 当社のアーキテクチャは,ModelNet40データセットで示すように,ポイントクラウド分類のタスクにおける最先端の成果を達成する。
  論文  参考訳（メタデータ） (2021-04-07T23:13:56Z)
• SALA: Soft Assignment Local Aggregation for Parameter Efficient 3D Semantic Segmentation [65.96170587706148]
  3d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パラメータ効率の良いネットワークを生成するポイントローカルアグリゲーション関数の設計に着目する。 グリッド型アグリゲーション関数における学習可能な隣り合わせソフトアロケーションの利用について検討する。
  論文  参考訳（メタデータ） (2020-12-29T20:16:37Z)
• Sparse Single Sweep LiDAR Point Cloud Segmentation via Learning Contextual Shape Priors from Scene Completion [43.86692068523167]
  LiDARポイントクラウド分析は、3Dコンピュータビジョン、特に自動運転のコアタスクである。 本論文では,学習したコンテキスト形状の優先度を補助する新しいLiDAR点群セマンティックセグメンテーションフレームワークを提案する。 JS3C-NetはSemanticKITTIとSemanticPOSSベンチマークの両方で優れたパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2020-12-07T14:58:25Z)
• Recalibration of Neural Networks for Point Cloud Analysis [3.7814216736076434]
  3Dポイントクラウドのためのディープニューラルネットワーク上での再校正モジュールを導入する。 提案モジュールを3次元ポイントクラウド解析のための3つの最先端ネットワークに組み込むことで,提案モジュールのメリットと汎用性を実証する。 第2の実験では,アルツハイマー病の診断における再校正ブロックの利点について検討した。
  論文  参考訳（メタデータ） (2020-11-25T17:14:34Z)

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。