Fugu-MT 論文翻訳(概要): Interpreting Representation Quality of DNNs for 3D Point Cloud Processing

論文の概要: Interpreting Representation Quality of DNNs for 3D Point Cloud Processing

arxiv url: http://arxiv.org/abs/2111.03549v1
Date: Fri, 5 Nov 2021 15:14:34 GMT
ステータス: 翻訳完了
システム内更新日: 2021-11-08 13:59:59.007045
Title: Interpreting Representation Quality of DNNs for 3D Point Cloud Processing
Title（参考訳）: 3Dポイントクラウド処理におけるDNNの表現品質の解釈
Authors: Wen Shen, Qihan Ren, Dongrui Liu, Quanshi Zhang
Abstract要約: 本稿では,ディープニューラルネットワーク(DNN)で符号化された3Dポイントクラウド処理における知識表現の質を評価する。本稿では, モデル全体の脆弱性を回転, 翻訳, スケール, 局所的な3次元構造に対する感度に分解する手法を提案する。
参考スコア（独自算出の注目度）: 13.594901566921328
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, we evaluate the quality of knowledge representations encoded in deep neural networks (DNNs) for 3D point cloud processing. We propose a method to disentangle the overall model vulnerability into the sensitivity to the rotation, the translation, the scale, and local 3D structures. Besides, we also propose metrics to evaluate the spatial smoothness of encoding 3D structures, and the representation complexity of the DNN. Based on such analysis, experiments expose representation problems with classic DNNs, and explain the utility of the adversarial training.
Abstract（参考訳）: 本稿では,ディープニューラルネットワーク(DNN)で符号化された3Dポイントクラウド処理における知識表現の質を評価する。本稿では, モデル全体の脆弱性を回転, 翻訳, スケール, 局所的な3次元構造に対する感度に分解する手法を提案する。また、3次元構造を符号化する空間的滑らかさとDNNの表現複雑さを評価する指標も提案する。このような分析に基づいて、実験は古典的DNNによる表現問題を明らかにし、敵の訓練の有用性を説明する。

関連論文リスト

A new perspective on building efficient and expressive 3D equivariant graph neural networks [39.0445472718248]
等変GNNの表現力を評価するための3次元同型階層を提案する。我々の研究は、表現的かつ効率的な幾何学的GNNを設計するための2つの重要なモジュールに繋がる。本理論の適用性を示すため,これらのモジュールを効果的に実装したLEFTNetを提案する。
論文参考訳（メタデータ） (2023-04-07T18:08:27Z)
From Multi-View to Hollow-3D: Hallucinated Hollow-3D R-CNN for 3D Object Detection [101.20784125067559]
本稿では,3次元物体検出の問題に対処するため,Halucinated Hollow-3D R-CNNという新しいアーキテクチャを提案する。本稿では,まず,視点ビューと鳥眼ビューに点雲を逐次投影することで,多視点特徴を抽出する。 3Dオブジェクトは、新しい階層型Voxel RoIプール操作でボックスリファインメントモジュールを介して検出される。
論文参考訳（メタデータ） (2021-07-30T02:00:06Z)
Spherical Transformer: Adapting Spherical Signal to CNNs [53.18482213611481]
Spherical Transformerは、球状信号を標準CNNで直接処理できるベクトルに変換できます。我々は,球面MNIST認識,3次元オブジェクト分類,全方向画像セマンティックセグメンテーションの課題に対するアプローチを評価する。
論文参考訳（メタデータ） (2021-01-11T12:33:16Z)
Exploring Deep 3D Spatial Encodings for Large-Scale 3D Scene Understanding [19.134536179555102]
生の3次元点雲の空間的特徴を非方向性グラフモデルに符号化することで,CNNに基づくアプローチの限界を克服する代替手法を提案する。提案手法は、訓練時間とモデル安定性を改善して、最先端の精度で達成し、さらなる研究の可能性を示す。
論文参考訳（メタデータ） (2020-11-29T12:56:19Z)
PCLs: Geometry-aware Neural Reconstruction of 3D Pose with Perspective Crop Layers [111.55817466296402]
我々は、カメラ幾何学に基づく関心領域の視点作物であるパースペクティブ・クロップ・レイヤ(PCL)を紹介する。 PCLは、エンドツーエンドのトレーニングと基礎となるニューラルネットワークのパラメータ数を残しながら、位置依存的な視点効果を決定論的に除去する。 PCLは、既存の3D再構成ネットワークを幾何学的に認識することで、容易に精度を向上させる手段を提供する。
論文参考訳（メタデータ） (2020-11-27T08:48:43Z)
Rotation-Invariant Local-to-Global Representation Learning for 3D Point Cloud [42.86112554931754]
本稿では,3次元点クラウドデータに対する局所的-言語的表現学習アルゴリズムを提案する。本モデルは,グラフ畳み込みニューラルネットワークに基づく多レベル抽象化を利用する。提案アルゴリズムは,3次元物体の回転認識とセグメント化のベンチマークにおいて,最先端の性能を示す。
論文参考訳（メタデータ） (2020-10-07T10:30:20Z)
Boosting Deep Neural Networks with Geometrical Prior Knowledge: A Survey [77.99182201815763]
ディープニューラルネットワーク(DNN)は多くの異なる問題設定において最先端の結果を達成する。 DNNはしばしばブラックボックスシステムとして扱われ、評価と検証が複雑になる。コンピュータビジョンタスクにおける畳み込みニューラルネットワーク(CNN)の成功に触発された、有望な分野のひとつは、対称幾何学的変換に関する知識を取り入れることである。
論文参考訳（メタデータ） (2020-06-30T14:56:05Z)
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)
PV-RCNN: Point-Voxel Feature Set Abstraction for 3D Object Detection [76.30585706811993]
我々はPointVoxel-RCNN(PV-RCNN)という新しい高性能な3Dオブジェクト検出フレームワークを提案する。提案手法は3次元ボクセル畳み込みニューラルネットワーク(CNN)とPointNetベースの集合抽象化の両方を深く統合する。 3DボクセルCNNの効率的な学習と高品質な提案と、PointNetベースのネットワークのフレキシブル・レセプティブ・フィールドを利用する。
論文参考訳（メタデータ） (2019-12-31T06:34:10Z)
Pointwise Attention-Based Atrous Convolutional Neural Networks [15.499267533387039]
多数の点を効率的に扱うために,注目度に基づくアトラス畳み込みニューラルネットワークアーキテクチャを提案する。提案モデルは,3次元セマンティックセグメンテーションタスクにおいて,最も重要な2つの3Dポイントクラウドデータセット上で評価されている。精度の面では最先端モデルと比較して妥当な性能を達成し、パラメータの数ははるかに少ない。
論文参考訳（メタデータ） (2019-12-27T13:12:58Z)

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。