論文の概要: DeltaConv: Anisotropic Point Cloud Learning with Exterior Calculus
- arxiv url: http://arxiv.org/abs/2111.08799v2
- Date: Thu, 18 Nov 2021 15:28:44 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-19 12:36:11.451800
- Title: DeltaConv: Anisotropic Point Cloud Learning with Exterior Calculus
- Title(参考訳): DeltaConv: 外部計算による異方性ポイントクラウド学習
- Authors: Ruben Wiersma, Ahmad Nasikun, Elmar Eisemann, Klaus Hildebrandt
- Abstract要約: デルタコンブと呼ばれる新しい畳み込み演算子を導入し、外部計算から幾何演算子を組み合わせて点雲上に異方性フィルタを構築する。
私たちの畳み込みは、いくつかのベンチマークにおける最先端のアプローチと比較して、堅牢で、実装も簡単で、精度も向上しています。
- 参考スコア(独自算出の注目度): 13.18401177210079
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Learning from 3D point-cloud data has rapidly gained momentum, motivated by
the success of deep learning on images and the increased availability of 3D
data. In this paper, we aim to construct anisotropic convolutions that work
directly on the surface derived from a point cloud. This is challenging because
of the lack of a global coordinate system for tangential directions on
surfaces. We introduce a new convolution operator called DeltaConv, which
combines geometric operators from exterior calculus to enable the construction
of anisotropic filters on point clouds. Because these operators are defined on
scalar- and vector-fields, we separate the network into a scalar- and a
vector-stream, which are connected by the operators. The vector stream enables
the network to explicitly represent, evaluate, and process directional
information. Our convolutions are robust and simple to implement and show
improved accuracy compared to state-of-the-art approaches on several
benchmarks, while also speeding up training and inference.
- Abstract(参考訳): 3Dポイントクラウドデータからの学習は、画像の深層学習の成功と3Dデータの可用性の向上によって、急速に勢いづきつつある。
本稿では,点雲から導出される表面に直接作用する異方性畳み込みを構築することを目的とする。
これは、表面上の接角方向のグローバル座標系が欠如しているため、難しい。
デルタコンブと呼ばれる新しい畳み込み演算子を導入し、外部計算から幾何演算子を組み合わせて点雲上に異方性フィルタを構築する。
これらの作用素はスカラーフィールドとベクトルフィールドで定義されるので、ネットワークをスカラーストリームとベクトルストリームに分離し、オペレータが接続する。
ベクトルストリームにより、ネットワークは方向情報を明示的に表現し、評価し、処理することができる。
私たちの畳み込みは堅牢で実装が簡単で、いくつかのベンチマークで最先端のアプローチと比較して精度が向上しています。
関連論文リスト
- RIConv++: Effective Rotation Invariant Convolutions for 3D Point Clouds
Deep Learning [32.18566879365623]
3Dポイントクラウドのディープラーニングは、ニューラルネットワークがポイントクラウドの機能を直接学習することのできる、有望な研究分野である。
本稿では,局所領域から強力な回転不変特徴を設計することで特徴の区別を高める,シンプルで効果的な畳み込み演算子を提案する。
ネットワークアーキテクチャは、各畳み込み層の近傍サイズを単純に調整することで、ローカルとグローバルの両方のコンテキストをキャプチャできる。
論文 参考訳(メタデータ) (2022-02-26T08:32:44Z) - UPDesc: Unsupervised Point Descriptor Learning for Robust Registration [54.95201961399334]
UPDescは、ロバストポイントクラウド登録のためのポイント記述子を学習するための教師なしの方法である。
学習した記述子は既存の教師なし手法よりも優れた性能を示すことを示す。
論文 参考訳(メタデータ) (2021-08-05T17:11:08Z) - SCTN: Sparse Convolution-Transformer Network for Scene Flow Estimation [71.2856098776959]
点雲は非秩序であり、その密度は著しく一様ではないため、点雲の3次元運動の推定は困難である。
本稿では,sparse convolution-transformer network (sctn) という新しいアーキテクチャを提案する。
学習した関係に基づく文脈情報が豊富で,対応点の一致に役立ち,シーンフローの推定に有効であることを示す。
論文 参考訳(メタデータ) (2021-05-10T15:16:14Z) - Deep Parametric Continuous Convolutional Neural Networks [92.87547731907176]
Parametric Continuous Convolutionは、非グリッド構造化データ上で動作する、新たな学習可能な演算子である。
室内および屋外シーンの点雲セグメンテーションにおける最先端技術よりも顕著な改善が見られた。
論文 参考訳(メタデータ) (2021-01-17T18:28:23Z) - Learning Rotation-Invariant Representations of Point Clouds Using
Aligned Edge Convolutional Neural Networks [29.3830445533532]
ポイントクラウド分析は、シーンの深さを正確に測定できる3Dセンサーの開発によって、関心が高まる分野である。
点群解析に深層学習技術を適用することは、これらの手法が見えない回転に一般化できないため、簡単ではありません。
この制限に対処するには、通常、トレーニングデータを強化する必要があり、これは余分な計算につながる可能性があり、より大きなモデルの複雑さを必要とする。
本稿では,局所参照フレーム(LRF)に対する点群の特徴表現を学習する,Aligned Edge Convolutional Neural Network(AECNN)と呼ばれる新しい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) (2021-01-02T17:36:00Z) - Spherical Interpolated Convolutional Network with Distance-Feature
Density for 3D Semantic Segmentation of Point Clouds [24.85151376535356]
従来のグリッド形状の3次元畳み込み演算子を置き換えるために,球面補間畳み込み演算子を提案する。
提案手法は,ScanNetデータセットとParis-Lille-3Dデータセットで良好な性能を示す。
論文 参考訳(メタデータ) (2020-11-27T15:35:12Z) - Neural-Pull: Learning Signed Distance Functions from Point Clouds by
Learning to Pull Space onto Surfaces [68.12457459590921]
3次元点雲から連続曲面を再構成することは、3次元幾何処理の基本的な操作である。
textitNeural-Pullは、シンプルで高品質なSDFを実現する新しいアプローチです。
論文 参考訳(メタデータ) (2020-11-26T23:18:10Z) - DV-ConvNet: Fully Convolutional Deep Learning on Point Clouds with
Dynamic Voxelization and 3D Group Convolution [0.7340017786387767]
3次元点雲の解釈は、成分点のランダム性と空間性のために難しい課題である。
本研究では,効率的な3Dポイントクラウド解釈に向けて,標準的な3Dコンボリューションに注意を向ける。
我々のネットワークは、非常に高速に動作し、収束することができるが、いくつかのベンチマークデータセットの最先端の手法と比較して、オンパーまたはさらにパフォーマンスが向上する。
論文 参考訳(メタデータ) (2020-09-07T07:45:05Z) - Pseudo-LiDAR Point Cloud Interpolation Based on 3D Motion Representation
and Spatial Supervision [68.35777836993212]
我々はPseudo-LiDAR点雲ネットワークを提案し、時間的および空間的に高品質な点雲列を生成する。
点雲間のシーンフローを活用することにより,提案ネットワークは3次元空間運動関係のより正確な表現を学習することができる。
論文 参考訳(メタデータ) (2020-06-20T03:11:04Z) - Quaternion Equivariant Capsule Networks for 3D Point Clouds [58.566467950463306]
本稿では,3次元回転と翻訳に同値な点雲を処理するための3次元カプセルモジュールを提案する。
カプセル間の動的ルーティングをよく知られたWeiszfeldアルゴリズムに接続する。
オペレーターに基づいて、ポーズから幾何学をアンタングルするカプセルネットワークを構築します。
論文 参考訳(メタデータ) (2019-12-27T13:51:17Z)
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。