論文の概要: PointCaps: Raw Point Cloud Processing using Capsule Networks with
Euclidean Distance Routing
- arxiv url: http://arxiv.org/abs/2112.11258v1
- Date: Tue, 21 Dec 2021 14:34:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-22 14:10:21.785505
- Title: PointCaps: Raw Point Cloud Processing using Capsule Networks with
Euclidean Distance Routing
- Title（参考訳）: PointCaps: ユークリッド距離ルーティングを備えたカプセルネットワークを用いたRAWポイントクラウド処理
- Authors: Dishanika Denipitiyage, Vinoj Jayasundara, Ranga Rodrigo, Chamira U.
S. Edussooriya
- Abstract要約: カプセルネットワークを用いた生クラウド処理は、分類、再構築、セグメンテーションにおいて広く採用されている。
既存のカプセルベースのネットワークアプローチのほとんどは計算的に重く、ポイントクラウド全体を単一のカプセルとして表現できない。
パラメータ共有を備えた新しい畳み込みカプセルアーキテクチャであるPointCapsを提案する。
- 参考スコア（独自算出の注目度）: 2.916675178729016
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Raw point cloud processing using capsule networks is widely adopted in
classification, reconstruction, and segmentation due to its ability to preserve
spatial agreement of the input data. However, most of the existing capsule
based network approaches are computationally heavy and fail at representing the
entire point cloud as a single capsule. We address these limitations in
existing capsule network based approaches by proposing PointCaps, a novel
convolutional capsule architecture with parameter sharing. Along with
PointCaps, we propose a novel Euclidean distance routing algorithm and a
class-independent latent representation. The latent representation captures
physically interpretable geometric parameters of the point cloud, with dynamic
Euclidean routing, PointCaps well-represents the spatial (point-to-part)
relationships of points. PointCaps has a significantly lower number of
parameters and requires a significantly lower number of FLOPs while achieving
better reconstruction with comparable classification and segmentation accuracy
for raw point clouds compared to state-of-the-art capsule networks.
- Abstract（参考訳）: カプセルネットワークを用いた生点クラウド処理は、入力データの空間的一致を保存できるため、分類、再構成、セグメンテーションに広く採用されている。
しかし、既存のカプセルベースのネットワークアプローチのほとんどは計算的に重く、点雲全体を単一のカプセルとして表現できない。
我々は,パラメータ共有型畳み込みカプセルアーキテクチャであるpointcapsを提案することで,既存のカプセルネットワークに基づくアプローチにおけるこれらの制限に対処する。
PointCapsとともに、新しいユークリッド距離ルーティングアルゴリズムとクラス非依存の潜在表現を提案する。
潜在表現は点雲の物理的に解釈可能な幾何学的パラメータを捉え、ダイナミックユークリッドルーティングにより、ポイントCapsは点の空間的(点間)関係をうまく表現する。
PointCaps のパラメータ数は著しく少なく、FLOP は極めて少ないが、最先端のカプセルネットワークと比較して、生の点雲の分類とセグメンテーションの精度が向上している。
関連論文リスト
- Hierarchical Object-Centric Learning with Capsule Networks [0.0]
畳み込みニューラルネットワークの制限に対処するために、カプセルネットワーク(CapsNets)が導入された。
この論文はCapsNetsの興味深い側面を調査し、その潜在能力を解き放つための3つの重要な疑問に焦点を当てている。
論文 参考訳（メタデータ） (2024-05-30T09:10:33Z) - Point Cloud Compression with Implicit Neural Representations: A Unified Framework [54.119415852585306]
我々は幾何学と属性の両方を扱える先駆的なクラウド圧縮フレームワークを提案する。
本フレームワークでは,2つの座標ベースニューラルネットワークを用いて,voxelized point cloudを暗黙的に表現する。
本手法は,既存の学習手法と比較して,高い普遍性を示す。
論文 参考訳（メタデータ） (2024-05-19T09:19:40Z) - Parametric Surface Constrained Upsampler Network for Point Cloud [33.033469444588086]
バイコビック関数と回転関数で表されるパラメトリック曲面をニューラルネットワークに学習させ,新しいサーフェス正規化器をアップサンプラーネットワークに導入する。
これらの設計は、2つの異なるネットワークに統合され、レイヤのアップサンプリングの利点を生かしている。
両課題の最先端実験結果から,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2023-03-14T21:12:54Z) - Learning Neural Volumetric Field for Point Cloud Geometry Compression [13.691147541041804]
我々は、ニューラルネットワークを学習することで、与えられた点雲の幾何学をコーディングすることを提案する。
空間全体を小さな立方体に分割し,各空でない立方体をニューラルネットワークと入力潜時符号で表現する。
ネットワークは、空間的および時間的冗長性を利用するために、1つのフレームまたは複数のフレームで全ての立方体間で共有される。
論文 参考訳（メタデータ） (2022-12-11T19:55:24Z) - PMP-Net++: Point Cloud Completion by Transformer-Enhanced Multi-step
Point Moving Paths [60.32185890237936]
我々は、地球移動体の動作を模倣する新しいニューラルネットワーク、PMP-Net++を設計する。
不完全入力の各点を移動させ、点移動経路(PMP)の総距離が最短となる完全点雲を得る。
ネットワークは点レベルの厳密でユニークな対応を学習し、予測された完全形状の品質を向上させる。
論文 参考訳（メタデータ） (2022-02-19T03:00:40Z) - CP-Net: Contour-Perturbed Reconstruction Network for Self-Supervised
Point Cloud Learning [53.1436669083784]
本稿では,CP-Net(Contour-Perturbed Restruction Network)を提案する。
分類では、ModelNet40(92.5%の精度)とScanObjectNN(87.9%の精度)の完全教師付き手法で競合する結果を得る。
論文 参考訳（メタデータ） (2022-01-20T15:04:12Z) - PointLIE: Locally Invertible Embedding for Point Cloud Sampling and
Recovery [35.353458457283544]
ポイントクラウドサンプリングとリカバリ(PCSR)は、大規模なリアルタイムクラウド収集と処理に不可欠である。
ポイントクラウド適応型サンプリング・リカバリのためのローカル・インバータブル・エンベディング(PointLIE)を提案する。
PointLIEは、双方向学習を通じて、ポイントクラウドサンプリングと1つのフレームワークへのアップサンプリングを統一する。
論文 参考訳（メタデータ） (2021-04-30T05:55:59Z) - Deformable Capsules for Object Detection [3.702343116848637]
我々は,コンピュータビジョンにおいて重要な問題である物体検出に対処するために,新しいカプセルネットワーク,変形可能なカプセル(textitDeformCaps)を導入した。
提案手法は,本論文において,オブジェクト検出のためのカプセルネットワークを構築するために,効率よくスケールアップできることを実証する。
論文 参考訳（メタデータ） (2021-04-11T15:36:30Z) - PMP-Net: Point Cloud Completion by Learning Multi-step Point Moving
Paths [54.459879603473034]
我々はPMP-Netと呼ばれる新しいニューラルネットワークを設計し、地球移動体の動作を模倣する。
不完全な入力の各点を移動させ、ポイントクラウドを完結させ、ポイント移動パスの合計距離が最も短くなる。
点レベルの厳密でユニークな対応を学習し、不完全な形状と完全なターゲットの間の詳細なトポロジーと構造的関係を捉えることができる。
論文 参考訳（メタデータ） (2020-12-07T01:34:38Z) - SoftPoolNet: Shape Descriptor for Point Cloud Completion and
Classification [93.54286830844134]
本稿では,点雲に基づく3次元オブジェクトの補完と分類手法を提案する。
デコーダの段階では,グローバルな活性化エントロピーの最大化を目的とした新しい演算子である地域畳み込みを提案する。
我々は,オブジェクトの完成度や分類,最先端の精度の達成など,異なる3次元タスクに対するアプローチを評価する。
論文 参考訳（メタデータ） (2020-08-17T14:32:35Z) - RPM-Net: Robust Point Matching using Learned Features [79.52112840465558]
RPM-Netは、より敏感で、より堅牢なディープラーニングベースのアプローチである。
既存の方法とは異なり、我々のRPM-Netは、部分的な可視性を備えた対応や点雲の欠如を処理します。
論文 参考訳（メタデータ） (2020-03-30T13:45:27Z)
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。