論文の概要: SurFit: Learning to Fit Surfaces Improves Few Shot Learning on Point Clouds

• arxiv url: http://arxiv.org/abs/2112.13942v1
• Date: Mon, 27 Dec 2021 23:55:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-30 15:30:17.198076
• Title: SurFit: Learning to Fit Surfaces Improves Few Shot Learning on Point Clouds
• Title（参考訳）: SurFit: 表面のフィットを学ぶことで、ポイントクラウドでのショット学習が改善
• Authors: Gopal Sharma and Bidya Dash and Matheus Gadelha and Aruni RoyChowdhury and Marios Loizou and Evangelos Kalogerakis and Liangliang Cao and Erik Learned-Miller and Rui Wang andSubhransu Maji
• Abstract要約: SurFitは3次元形状分割ネットワークのラベルを効率的に学習するための単純な手法である。 3次元形状の表面を幾何学的プリミティブに分解する自己指導型タスクに基づいている。
• 参考スコア（独自算出の注目度）: 48.61222927399794
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present SurFit, a simple approach for label efficient learning of 3D shape segmentation networks. SurFit is based on a self-supervised task of decomposing the surface of a 3D shape into geometric primitives. It can be readily applied to existing network architectures for 3D shape segmentation and improves their performance in the few-shot setting, as we demonstrate in the widely used ShapeNet and PartNet benchmarks. SurFit outperforms the prior state-of-the-art in this setting, suggesting that decomposability into primitives is a useful prior for learning representations predictive of semantic parts. We present a number of experiments varying the choice of geometric primitives and downstream tasks to demonstrate the effectiveness of the method.
• Abstract（参考訳）: 本稿では,SurFitという3次元形状分割ネットワークのラベル付き学習手法を提案する。 SurFitは3次元形状の表面を幾何学的プリミティブに分解する自己指導型タスクに基づいている。 3次元形状セグメンテーションのための既存のネットワークアーキテクチャに容易に適用でき、広く使われているshapenetとpartnetベンチマークで示されるように、少数の設定でパフォーマンスが向上する。 この設定では、SurFitは以前の最先端よりも優れており、プリミティブへの分解性は意味的な部分の予測を学習する上で有用であることを示している。 提案手法の有効性を実証するために,幾何的プリミティブと下流タスクの選択を変える実験をいくつか提示する。

関連論文リスト

• Attention-based Part Assembly for 3D Volumetric Shape Modeling [0.0]
  本稿では、注意に基づく部分集合のためのVoxAttention Networkアーキテクチャを提案する。 実験結果から,本手法は部分関係を考慮した3次元形状モデリングタスクにおいて,最先端の手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-17T16:53:27Z)
• ALSO: Automotive Lidar Self-supervision by Occupancy estimation [70.70557577874155]
  本稿では,ポイントクラウド上で動作している深層知覚モデルのバックボーンを事前学習するための自己教師型手法を提案する。 中心となる考え方は、3Dポイントがサンプリングされる表面の再構成であるプリテキストタスクでモデルをトレーニングすることである。 直感的には、もしネットワークがわずかな入力ポイントのみを考慮し、シーン表面を再構築できるなら、おそらく意味情報の断片をキャプチャする。
  論文  参考訳（メタデータ） (2022-12-12T13:10:19Z)
• Cut-and-Approximate: 3D Shape Reconstruction from Planar Cross-sections with Deep Reinforcement Learning [0.0]
  我々は,この課題を解決するための最初の3次元形状再構成ネットワークについて,その知識を最大限に活用する。 本手法は,強化学習アルゴリズムを適用し,その形状を効果的に解析する方法を学習する。
  論文  参考訳（メタデータ） (2022-10-22T17:48:12Z)
• Pixel2Mesh++: 3D Mesh Generation and Refinement from Multi-View Images [82.32776379815712]
  カメラポーズの有無にかかわらず、少数のカラー画像から3次元メッシュ表現における形状生成の問題について検討する。 我々は,グラフ畳み込みネットワークを用いたクロスビュー情報を活用することにより,形状品質をさらに向上する。 我々のモデルは初期メッシュの品質とカメラポーズの誤差に頑健であり、テスト時間最適化のための微分関数と組み合わせることができる。
  論文  参考訳（メタデータ） (2022-04-21T03:42:31Z)
• iSeg3D: An Interactive 3D Shape Segmentation Tool [48.784624011210475]
  3次元形状のための効果的なアノテーションツールiSegを提案する。 我々の観察では、ほとんどの対象は有限原始形状の合成とみなすことができる。 構築したプリミティブな形状データに基づいてiSeg3Dモデルをトレーニングし、幾何学的事前知識を自己指導的に学習する。
  論文  参考訳（メタデータ） (2021-12-24T08:15:52Z)
• Learning Compositional Shape Priors for Few-Shot 3D Reconstruction [36.40776735291117]
  複雑なエンコーダ・デコーダアーキテクチャが,カテゴリごとの大量のデータを利用することを示す。 データから直接クラス固有のグローバルな形状を学習する3つの方法を提案する。 人気のShapeNetデータセットの実験から,本手法はゼロショットベースラインを40%以上上回る性能を示した。
  論文  参考訳（メタデータ） (2021-06-11T14:55:49Z)
• Deep Implicit Moving Least-Squares Functions for 3D Reconstruction [23.8586965588835]
  本研究では, 離散点集合を平滑曲面に変換し, よく知られた暗黙的移動最小二乗曲面(IMLS)の定式化を提案する。 IMLS表面生成を深層ニューラルネットワークに組み込んで、点集合の柔軟性と暗黙曲面の高品質の両方を継承する。 3Dオブジェクト再構築の実験では、IMLSNetsが再構築品質と計算効率の点で最先端の学習ベースの方法を上回ることを実証しています。
  論文  参考訳（メタデータ） (2021-03-23T02:26:07Z)
• Primal-Dual Mesh Convolutional Neural Networks [62.165239866312334]
  本稿では,グラフ・ニューラル・ネットワークの文献からトライアングル・メッシュへ引き起こされた原始双対のフレームワークを提案する。 提案手法は,3次元メッシュのエッジと顔の両方を入力として特徴付け,動的に集約する。 メッシュ単純化の文献から得られたツールを用いて、我々のアプローチに関する理論的知見を提供する。
  論文  参考訳（メタデータ） (2020-10-23T14:49:02Z)
• Pix2Surf: Learning Parametric 3D Surface Models of Objects from Images [64.53227129573293]
  1つ以上の視点から見れば、新しいオブジェクトの3次元パラメトリック表面表現を学習する際の課題について検討する。 ビュー間で一貫した高品質なパラメトリックな3次元表面を生成できるニューラルネットワークを設計する。 提案手法は,共通対象カテゴリからの形状の公開データセットに基づいて,教師と訓練を行う。
  論文  参考訳（メタデータ） (2020-08-18T06:33:40Z)
• Unsupervised 3D Learning for Shape Analysis via Multiresolution Instance Discrimination [27.976848222058187]
  異なる形状解析タスクのための汎用的で効率的な形状符号化ネットワークを学習するための教師なし手法を提案する。 我々は,オクツリーに基づく畳み込みニューラルネットワークにHR-Netを適用し,形状と点の特徴を共同で符号化する。 提案手法は,特に小さなラベル付きデータセットを持つタスクにおいて,教師付き手法に対する競合性能を実現する。
  論文  参考訳（メタデータ） (2020-08-03T17:58:46Z)

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。