論文の概要: PAPooling: Graph-based Position Adaptive Aggregation of Local Geometry in Point Clouds

• arxiv url: http://arxiv.org/abs/2111.14067v1
• Date: Sun, 28 Nov 2021 07:26:55 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-01 13:50:47.676155
• Title: PAPooling: Graph-based Position Adaptive Aggregation of Local Geometry in Point Clouds
• Title（参考訳）: papooling: 点雲内の局所幾何のグラフに基づく位置適応アグリゲーション
• Authors: Jie Wang, Jianan Li, Lihe Ding, Ying Wang, Tingfa Xu
• Abstract要約: PaPoolingは、新しいグラフ表現を用いて局所点間の空間関係を明示的にモデル化する。 位置適応的な方法で特徴を集約し、集約された特徴の位置感応的な表現を可能にする。 計算オーバーヘッドを最小限に抑えながら、予測精度を大幅に向上させることができる。
• 参考スコア（独自算出の注目度）: 15.878533142927102
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fine-grained geometry, captured by aggregation of point features in local regions, is crucial for object recognition and scene understanding in point clouds. Nevertheless, existing preeminent point cloud backbones usually incorporate max/average pooling for local feature aggregation, which largely ignores points' positional distribution, leading to inadequate assembling of fine-grained structures. To mitigate this bottleneck, we present an efficient alternative to max pooling, Position Adaptive Pooling (PAPooling), that explicitly models spatial relations among local points using a novel graph representation, and aggregates features in a position adaptive manner, enabling position-sensitive representation of aggregated features. Specifically, PAPooling consists of two key steps, Graph Construction and Feature Aggregation, respectively in charge of constructing a graph with edges linking the center point with every neighboring point in a local region to map their relative positional information to channel-wise attentive weights, and adaptively aggregating local point features based on the generated weights through Graph Convolution Network (GCN). PAPooling is simple yet effective, and flexible enough to be ready to use for different popular backbones like PointNet++ and DGCNN, as a plug-andplay operator. Extensive experiments on various tasks ranging from 3D shape classification, part segmentation to scene segmentation well demonstrate that PAPooling can significantly improve predictive accuracy, while with minimal extra computational overhead. Code will be released.
• Abstract（参考訳）: 局所領域における点特徴の集約によって得られる微細な幾何学は、点雲における物体認識とシーン理解に不可欠である。 それにもかかわらず、既存の特筆すべきポイントクラウドバックボーンは、通常、局所的な特徴集約のためにmax/averageプールを組み込んでいる。 このボトルネックを緩和するために,新しいグラフ表現を用いて局所点間の空間関係を明示的にモデル化し,特徴を位置適応的に集約する,maxプーリング,位置適応プーリング(papooling)に代わる効率的な手法を提案する。 具体的には、グラフ構築と特徴集約という2つの重要なステップで構成され、グラフ畳み込みネットワーク(GCN)を通して生成された重みに基づいて、相対的な位置情報をチャネルワイドの減衰重みにマッピングするために、中心点と近傍のすべての点をリンクするエッジを持つグラフを構築する。 PAPoolingはシンプルで効果的で、プラグイン・アンド・プレイのオペレータとしてPointNet++やDGCNNのような一般的なバックボーンで使えるほど柔軟である。 3次元形状分類、部分分割、シーンセグメンテーションといった様々なタスクに関する大規模な実験は、PAPoolingが計算オーバーヘッドを最小限に抑えながら予測精度を大幅に改善できることを示した。 コードはリリースされる。

関連論文リスト

• LoGDesc: Local geometric features aggregation for robust point cloud registration [4.888434990566421]
  本稿では,3次元点マッチングと点雲登録のためのハイブリッドディスクリプタを提案する。 局所幾何学的性質と学習に基づく特徴伝搬を各点の近傍構造記述に結合する。
  論文  参考訳（メタデータ） (2024-10-03T12:11:22Z)
• Point Deformable Network with Enhanced Normal Embedding for Point Cloud Analysis [59.12922158979068]
  近年,ポイントクラウド解析において高い性能を示す手法が提案されている。 単純なアーキテクチャは局所的な点群で幾何学的特徴を学ぶことができるが、長距離依存を直接モデル化することができない。 本稿では,表現能力の強い長距離関係を捉えるために,PDNet(Point Deformable Network)を提案する。
  論文  参考訳（メタデータ） (2023-12-20T14:52:07Z)
• Decoupled Local Aggregation for Point Cloud Learning [12.810517967372043]
  本稿では,局所的な集合から空間関係の明示的なモデリングを分離することを提案する。 本稿では,各学習段階で相対的な空間符号化が最初に形成される軽量な点ネットワークであるDeLAを提案する。 DeLAはScanObjectNNで90%以上、S3DIS Area 5で74% mIoUを達成した。
  論文  参考訳（メタデータ） (2023-08-31T08:21:29Z)
• Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud Analysis [66.49788145564004]
  我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。 我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
  論文  参考訳（メタデータ） (2022-12-17T15:05:25Z)
• 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)
• APP-Net: Auxiliary-point-based Push and Pull Operations for Efficient Point Cloud Classification [48.230170172837084]
  ポイントクラウドベースの3D分類タスクでは、隣のポイントから機能を集約する。 これらの問題に対処するため,我々はAPPと呼ばれる線形複雑性の局所アグリゲータを提案する。 オンラインの正規推定モジュールを使用して、説明可能な幾何学情報を提供し、APPモデリング機能を強化します。
  論文  参考訳（メタデータ） (2022-05-02T12:21:11Z)
• SE(3)-Equivariant Attention Networks for Shape Reconstruction in Function Space [50.14426188851305]
  本稿では,第1のSE(3)-equivariant coordinate-based networkを提案する。 入力を正規格子に整列させる従来の形状再構成法とは対照的に、不規則で無向な点雲を直接操作する。 提案手法は,従来のSO(3)-equivariant法,およびSO(3)-augmented dataで訓練された非equivariant法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-04-05T17:59:15Z)
• 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)
• LRC-Net: Learning Discriminative Features on Point Clouds by Encoding Local Region Contexts [65.79931333193016]
  本稿では,LRC-Net(Local-Region-Context Network)を提案する。 LRC-Netは、局所領域内および周辺領域間の微粒なコンテキストを同時に符号化する。 その結果, LRC-Netは形状分類や形状分割の応用において最先端の手法と競合することがわかった。
  論文  参考訳（メタデータ） (2020-03-18T14:34:08Z)

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。