論文の概要: Progressive Seed Generation Auto-encoder for Unsupervised Point Cloud Learning

• arxiv url: http://arxiv.org/abs/2112.05213v1
• Date: Thu, 9 Dec 2021 21:05:30 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-13 14:53:14.865553
• Title: Progressive Seed Generation Auto-encoder for Unsupervised Point Cloud Learning
• Title（参考訳）: 教師なしポイントクラウド学習のためのプログレッシブシード生成自動エンコーダ
• Authors: Juyoung Yang, Pyunghwan Ahn, Doyeon Kim, Haeil Lee, Junmo Kim
• Abstract要約: 教師なしの学習は、高価なアノテーションプロセスなしでポイントクラウドを理解し、活用するために不可欠です。 本稿では,ポイントクラウドの再構成に基づく学習のための新しいフレームワークと,PSG-Netという名の自動エンコーダアーキテクチャを提案する。 我々はPSG-Netの有効性を実験的に証明し、PSG-Netはポイントクラウドの再構築と教師なし分類における最先端の性能を示し、教師なし補完における他の手法と同等の性能を達成する。
• 参考スコア（独自算出の注目度）: 23.730871202742083
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the development of 3D scanning technologies, 3D vision tasks have become a popular research area. Owing to the large amount of data acquired by sensors, unsupervised learning is essential for understanding and utilizing point clouds without an expensive annotation process. In this paper, we propose a novel framework and an effective auto-encoder architecture named "PSG-Net" for reconstruction-based learning of point clouds. Unlike existing studies that used fixed or random 2D points, our framework generates input-dependent point-wise features for the latent point set. PSG-Net uses the encoded input to produce point-wise features through the seed generation module and extracts richer features in multiple stages with gradually increasing resolution by applying the seed feature propagation module progressively. We prove the effectiveness of PSG-Net experimentally; PSG-Net shows state-of-the-art performances in point cloud reconstruction and unsupervised classification, and achieves comparable performance to counterpart methods in supervised completion.
• Abstract（参考訳）: 3Dスキャン技術の発展に伴い、3D視覚タスクはポピュラーな研究領域となった。 センサが取得する大量のデータのために、教師なし学習は、高価な注釈処理なしでポイントクラウドの理解と活用に不可欠である。 本稿では,ポイントクラウドの再構成学習のための新しいフレームワークと,PSG-Netという名の自動エンコーダアーキテクチャを提案する。 固定あるいはランダムな2D点を用いた既存の研究とは異なり、我々のフレームワークは潜在点集合に対して入力依存の点ワイズ特徴を生成する。 PSG-Netは、コード化された入力を用いて、シード生成モジュールを通じてポイントワイズな特徴を生成し、よりリッチな特徴を複数の段階で抽出する。 我々はPSG-Netの有効性を実験的に証明し、PSG-Netはポイントクラウドの再構築と教師なし分類における最先端の性能を示し、教師なし補完における他の手法と同等の性能を達成する。

関連論文リスト

• GS-PT: Exploiting 3D Gaussian Splatting for Comprehensive Point Cloud Understanding via Self-supervised Learning [15.559369116540097]
  ポイントクラウドの自己教師型学習は、ラベルのない3Dデータを活用して、手動のアノテーションに頼ることなく意味のある表現を学習することを目的としている。 本稿では,3Dガウススプラッティング(3DGS)をポイントクラウドの自己教師型学習に初めて統合したGS-PTを提案する。 我々のパイプラインは、トランスフォーマーを自己教師付き事前学習のバックボーンとして利用し、3DGSによる新しいコントラスト学習タスクを導入している。
  論文  参考訳（メタデータ） (2024-09-08T03:46:47Z)
• Edge Aware Learning for 3D Point Cloud [8.12405696290333]
  本稿では,階層型エッジ対応3Dポイントクラウドラーニング(HEA-Net)における革新的なアプローチを提案する。 ポイントクラウドデータにおけるノイズの課題に対処し、エッジ機能に注目してオブジェクト認識とセグメンテーションを改善することを目指している。 我々は,ポイントクラウドの分類とセグメンテーションを強化するために,革新的なエッジアウェアラーニング手法を提案する。
  論文  参考訳（メタデータ） (2023-09-23T20:12:32Z)
• StarNet: Style-Aware 3D Point Cloud Generation [82.30389817015877]
  StarNetは、マッピングネットワークを使用して高忠実度および3Dポイントクラウドを再構築し、生成することができる。 我々のフレームワークは、クラウドの再構築と生成タスクにおいて、様々なメトリクスで同等の最先端のパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2023-03-28T08:21:44Z)
• CLR-GAM: Contrastive Point Cloud Learning with Guided Augmentation and Feature Mapping [12.679625717350113]
  本稿では、効率的な動的探索戦略のためのガイド拡張(GA)を備えた対照的な学習ベースのフレームワークであるCLR-GAMを提案する。 提案手法がシミュレーションおよび実世界の3Dポイントクラウドデータセット上で最先端のパフォーマンスを実現することを実証的に実証した。
  論文  参考訳（メタデータ） (2023-02-28T04:38:52Z)
• PointVST: Self-Supervised Pre-training for 3D Point Clouds via View-Specific Point-to-Image Translation [64.858505571083]
  本稿では,翻訳型事前学習フレームワークであるPointVSTを提案する。 3Dポイントクラウドからそれに対応する多様な2Dレンダリング画像へのクロスモーダル変換という,新たな教師付きプレテキストタスクによって駆動される。
  論文  参考訳（メタデータ） (2022-12-29T07:03:29Z)
• AGO-Net: Association-Guided 3D Point Cloud Object Detection Network [86.10213302724085]
  ドメイン適応によるオブジェクトの無傷な特徴を関連付ける新しい3D検出フレームワークを提案する。 我々は,KITTIの3D検出ベンチマークにおいて,精度と速度の両面で最新の性能を実現する。
  論文  参考訳（メタデータ） (2022-08-24T16:54:38Z)
• TreeGCN-ED: Encoding Point Cloud using a Tree-Structured Graph Network [24.299931323012757]
  この研究は、ポイントクラウドのための堅牢な埋め込みを生成するオートエンコーダベースのフレームワークを提案する。 3Dポイントクラウド補完やシングルイメージベースの3D再構成といったアプリケーションにおいて,提案フレームワークの適用性を示す。
  論文  参考訳（メタデータ） (2021-10-07T03:52:56Z)
• PnP-3D: A Plug-and-Play for 3D Point Clouds [38.05362492645094]
  本稿では,既存ネットワークのポイントクラウドデータ解析における有効性を改善するために,プラグイン・アンド・プレイモジュール -3D を提案する。 アプローチを徹底的に評価するために,3つの標準的なクラウド分析タスクについて実験を行った。 本研究は,最先端の成果の達成に加えて,我々のアプローチのメリットを実証する包括的研究を提案する。
  論文  参考訳（メタデータ） (2021-08-16T23:59:43Z)
• 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)
• Point Discriminative Learning for Unsupervised Representation Learning on 3D Point Clouds [54.31515001741987]
  3次元点雲上での教師なし表現学習のための点識別学習法を提案する。 我々は、中間レベルとグローバルレベルの特徴に新しい点識別損失を課すことにより、これを達成した。 提案手法は強力な表現を学習し,新しい最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-08-04T15:11:48Z)
• PC-RGNN: Point Cloud Completion and Graph Neural Network for 3D Object Detection [57.49788100647103]
  LiDARベースの3Dオブジェクト検出は、自動運転にとって重要なタスクです。 現在のアプローチでは、遠方および閉ざされた物体の偏りと部分的な点雲に苦しむ。 本稿では,この課題を2つの解決法で解決する新しい二段階アプローチ,pc-rgnnを提案する。
  論文  参考訳（メタデータ） (2020-12-18T18:06:43Z)

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。