論文の概要: Geometric Feature Learning for 3D Meshes

• arxiv url: http://arxiv.org/abs/2112.01801v1
• Date: Fri, 3 Dec 2021 09:16:49 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-06 15:52:07.623373
• Title: Geometric Feature Learning for 3D Meshes
• Title（参考訳）: 3次元メッシュのための幾何学的特徴学習
• Authors: Huan Lei, Naveed Akhtar, Mubarak Shah, and Ajmal Mian
• Abstract要約: ヘテロジニアスな3次元メッシュ上での効果的な幾何学的深層学習のための一連のモジュラー演算を提案する。 我々はこれらの操作をオープンソースで実装し、集合的に textitPicasso と呼ぶ。 我々は新しい階層型ニューラルネットワークPicassoNet-IIを提案し、3Dメッシュから高度に非ネイティブな特徴を学習する。
• 参考スコア（独自算出の注目度）: 83.04166356156853
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Geometric feature learning for 3D meshes is central to computer graphics and highly important for numerous vision applications. However, deep learning currently lags in hierarchical modeling of heterogeneous 3D meshes due to the lack of required operations and/or their efficient implementations. In this paper, we propose a series of modular operations for effective geometric deep learning over heterogeneous 3D meshes. These operations include mesh convolutions, (un)pooling and efficient mesh decimation. We provide open source implementation of these operations, collectively termed \textit{Picasso}. The mesh decimation module of Picasso is GPU-accelerated, which can process a batch of meshes on-the-fly for deep learning. Our (un)pooling operations compute features for newly-created neurons across network layers of varying resolution. Our mesh convolutions include facet2vertex, vertex2facet, and facet2facet convolutions that exploit vMF mixture and Barycentric interpolation to incorporate fuzzy modelling. Leveraging the modular operations of Picasso, we contribute a novel hierarchical neural network, PicassoNet-II, to learn highly discriminative features from 3D meshes. PicassoNet-II accepts primitive geometrics and fine textures of mesh facets as input features, while processing full scene meshes. Our network achieves highly competitive performance for shape analysis and scene parsing on a variety of benchmarks. We release Picasso and PicassoNet-II on Github https://github.com/EnyaHermite/Picasso.
• Abstract（参考訳）: 3Dメッシュのための幾何学的特徴学習はコンピュータグラフィックスの中心であり、多くの視覚アプリケーションにとって非常に重要である。 しかし、ディープラーニングは現在、必要な操作の欠如や効率的な実装のために、異種3Dメッシュの階層的モデリングに遅れています。 本稿では,ヘテロジニアスな3dメッシュ上での効率的な幾何学的深層学習のための一連のモジュラー演算を提案する。 これらの操作には、メッシュの畳み込み、(アン)プーリング、効率的なメッシュデシミテーションが含まれる。 我々はこれらの操作をオープンソースで実装し、総称して \textit{picasso} と呼ぶ。 PicassoのメッシュデシメーションモジュールはGPUアクセラレーションにより、深層学習のための一連のメッシュを処理することができる。 我々の(アン)プール演算は、様々な解像度のネットワーク層にまたがる、新しく作られたニューロンの計算機能です。 当社のメッシュ畳み込みには、ファジィモデリングを組み込むためにvmf混合とbarycentric補間を利用するfacet2vertex、vertex2facet、facet2facet畳み込みが含まれています。 Picassoのモジュラー操作を活用することで、新しい階層型ニューラルネットワークPicassoNet-IIを3Dメッシュから高度に識別可能な特徴を学習する。 PicassoNet-IIは、メッシュの顔の原始的な幾何学と微妙なテクスチャを入力として受け入れ、フルシーンメッシュを処理する。 我々のネットワークは様々なベンチマークで形状解析とシーン解析の競争力が高い性能を実現している。 Github https://github.com/EnyaHermite/Picasso.com で Picasso と PicassoNet-II をリリースしています。

関連論文リスト

• Bridging 3D Gaussian and Mesh for Freeview Video Rendering [57.21847030980905]
  GauMeshはダイナミックシーンのモデリングとレンダリングのために3D GaussianとMeshをブリッジする。 提案手法は, 動的シーンの異なる部分を表現するために, プリミティブの適切なタイプに適応することを示す。
  論文  参考訳（メタデータ） (2024-03-18T04:01:26Z)
• SeMLaPS: Real-time Semantic Mapping with Latent Prior Networks and Quasi-Planar Segmentation [53.83313235792596]
  本稿では,RGB-Dシーケンスからのリアルタイム意味マッピングのための新しい手法を提案する。 2DニューラルネットワークとSLAMシステムに基づく3Dネットワークと3D占有マッピングを組み合わせる。 本システムは,2D-3Dネットワークベースシステムにおいて,最先端のセマンティックマッピング品質を実現する。
  論文  参考訳（メタデータ） (2023-06-28T22:36:44Z)
• Smooth Mesh Estimation from Depth Data using Non-Smooth Convex Optimization [28.786685021545622]
  深度マップから直接3Dメッシュを構築し,立体視で三角測量したスパースランドマークを構築した。 当社のアプローチでは,リアルタイムに動作しながら,直接メッシュ再構築の最先端性を大幅に向上するスムーズで正確な3Dメッシュを生成する。
  論文  参考訳（メタデータ） (2021-08-06T06:29:34Z)
• Subdivision-Based Mesh Convolution Networks [38.09613983540932]
  畳み込みニューラルネットワーク(CNN)は、2Dコンピュータビジョンにおいて大きなブレークスルーをもたらした。 本稿では,ループ分割シーケンス接続を伴う3次元トライアングルメッシュのための新しいCNNフレームワークSubdivNetを提案する。 メッシュ分類,セグメンテーション,対応,実世界からの検索実験により,SubdivNetの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2021-06-04T06:50:34Z)
• Picasso: A CUDA-based Library for Deep Learning over 3D Meshes [46.8917772877766]
  複雑な実世界の3dメッシュ上でディープラーニングを行うための,新たなモジュールからなるライブラリであるpicassoを提案する。 我々は,ネットワーク解像度の低減を図るために,GPU加速メッシュデシメーションを設計する。 S3DIS上での競合セグメンテーション結果を用いた提案モジュールの有効性を実証する。
  論文  参考訳（メタデータ） (2021-03-28T08:04:50Z)
• Deep Active Surface Models [60.027353171412216]
  アクティブサーフェスモデルは複雑な3次元表面をモデル化するのに有用な長い歴史を持っているが、ディープネットワークと組み合わせて使用されるのはアクティブ・コンターのみである。 グラフ畳み込みネットワークにシームレスに統合して、洗練された滑らかさを強制できるレイヤを導入します。
  論文  参考訳（メタデータ） (2020-11-17T18:48:28Z)
• Making a Case for 3D Convolutions for Object Segmentation in Videos [16.167397418720483]
  本研究では,3次元畳み込みネットワークが高精細な物体分割などの高密度映像予測タスクに効果的に適用可能であることを示す。 本稿では,新しい3Dグローバル・コンボリューション・レイヤと3Dリファインメント・モジュールからなる3Dデコーダアーキテクチャを提案する。 提案手法は,DAVIS'16 Unsupervised, FBMS, ViSalベンチマークにおいて,既存の最先端技術よりもはるかに優れている。
  論文  参考訳（メタデータ） (2020-08-26T12:24:23Z)
• 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)
• DualConvMesh-Net: Joint Geodesic and Euclidean Convolutions on 3D Meshes [28.571946680616765]
  本稿では3次元幾何データよりも深い階層的畳み込みネットワークのファミリーを提案する。 最初の型である測地的畳み込みは、メッシュ表面またはグラフ上のカーネルウェイトを定義する。 第2のタイプであるユークリッドの畳み込みは、基盤となるメッシュ構造とは独立である。
  論文  参考訳（メタデータ） (2020-04-02T13:52:00Z)

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。