論文の概要: Semi-Supervised Adversarial Recognition of Refined Window Structures for
Inverse Procedural Fa\c{c}ade Modeling
- arxiv url: http://arxiv.org/abs/2201.08977v1
- Date: Sat, 22 Jan 2022 06:34:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-28 10:25:01.098857
- Title: Semi-Supervised Adversarial Recognition of Refined Window Structures for
Inverse Procedural Fa\c{c}ade Modeling
- Title（参考訳）: 逆手続き Fa\c{c}ade モデリングのための修正ウィンドウ構造の半教師付き逆数認識
- Authors: Han Hu, Xinrong Liang, Yulin Ding, Qisen Shang, Bo Xu, Xuming Ge, Min
Chen, Ruofei Zhong, Qing Zhu
- Abstract要約: 本稿では,逆手続きモデルに組み込んだ半教師付き対角認識戦略を提案する。
既存の3Dモデリングソフトウェアの内部に、単純なプロシージャエンジンが構築され、きめ細かい窓のジオメトリが生成される。
公開されているファサード画像データセットを用いた実験により、提案したトレーニング戦略により、分類精度が約10%向上できることが判明した。
- 参考スコア（独自算出の注目度）: 17.62526990262815
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning methods are notoriously data-hungry, which requires a large
number of labeled samples. Unfortunately, the large amount of interactive
sample labeling efforts has dramatically hindered the application of deep
learning methods, especially for 3D modeling tasks, which require heterogeneous
samples. To alleviate the work of data annotation for learned 3D modeling of
fa\c{c}ades, this paper proposed a semi-supervised adversarial recognition
strategy embedded in inverse procedural modeling. Beginning with textured LOD-2
(Level-of-Details) models, we use the classical convolutional neural networks
to recognize the types and estimate the parameters of windows from image
patches. The window types and parameters are then assembled into procedural
grammar. A simple procedural engine is built inside an existing 3D modeling
software, producing fine-grained window geometries. To obtain a useful model
from a few labeled samples, we leverage the generative adversarial network to
train the feature extractor in a semi-supervised manner. The adversarial
training strategy can also exploit unlabeled data to make the training phase
more stable. Experiments using publicly available fa\c{c}ade image datasets
reveal that the proposed training strategy can obtain about 10% improvement in
classification accuracy and 50% improvement in parameter estimation under the
same network structure. In addition, performance gains are more pronounced when
testing against unseen data featuring different fa\c{c}ade styles.
- Abstract（参考訳）: 深層学習法は、大量のラベル付きサンプルを必要とするデータ不足で有名である。
残念なことに、多くのインタラクティブなサンプルラベリングは、深層学習法、特に異種サンプルを必要とする3次元モデリングタスクの適用を劇的に妨げている。
本稿では,fa\c{c}adesの学習3次元モデリングにおけるデータアノテーションの作業を軽減するために,逆手続きモデルに組み込んだ半教師付き対角認識戦略を提案する。
テクスチャ化されたLOD-2(Level-of-Details)モデルから始めると、従来の畳み込みニューラルネットワークを用いて型を認識し、画像パッチからウィンドウのパラメータを推定する。
ウィンドウタイプとパラメータは、手続き文法に組み立てられる。
既存の3dモデリングソフトウェアの中に単純なプロシージャエンジンが組み込まれ、きめ細かいウィンドウジオメトリを生成する。
いくつかのラベル付きサンプルから有用なモデルを得るため、生成型逆ネットワークを利用して半教師付きで特徴抽出器を訓練する。
敵のトレーニング戦略は、ラベルのないデータを利用してトレーニングフェーズをより安定させることもできる。
公開されているfa\c{c}ade画像データセットを用いた実験により,同一ネットワーク構造下での分類精度が約10%向上し,パラメータ推定が50%向上することが判明した。
さらに、異なるfa\c{c}adeスタイルの未確認データに対するテストでは、パフォーマンスの向上がより顕著になる。
関連論文リスト
- Masked Generative Extractor for Synergistic Representation and 3D Generation of Point Clouds [6.69660410213287]
我々は,3次元表現学習と生成学習を深く統合する利点を探るため,Point-MGEと呼ばれる革新的なフレームワークを提案する。
形状分類において、Point-MGEはModelNet40データセットで94.2%(+1.0%)、ScanObjectNNデータセットで92.9%(+5.5%)の精度を達成した。
また,非条件条件と条件条件条件条件の両方で,Point-MGEが高品質な3D形状を生成可能であることを確認した。
論文 参考訳（メタデータ） (2024-06-25T07:57:03Z) - Pre-Trained Vision-Language Models as Partial Annotators [40.89255396643592]
事前学習された視覚言語モデルは、画像と自然言語の統一表現をモデル化するために大量のデータを学習する。
本稿では,事前学習型モデルアプリケーションのための「事前学習型-弱教師付き学習」パラダイムについて検討し,画像分類タスクの実験を行う。
論文 参考訳（メタデータ） (2024-05-23T17:17:27Z) - MOCA: Self-supervised Representation Learning by Predicting Masked Online Codebook Assignments [72.6405488990753]
自己教師付き学習は、ビジョントランスフォーマーネットワークの欲求を軽減できる。
所望のプロパティを統一する単段および単段のMOCAを提案する。
我々は,様々な評価プロトコルにおいて,低照度設定と強力な実験結果に対して,最先端の新たな結果を得る。
論文 参考訳（メタデータ） (2023-07-18T15:46:20Z) - Randomized 3D Scene Generation for Generalizable Self-Supervised
Pre-Training [0.0]
球面高調波を用いた3次元シーン生成手法を提案する。
従来の定式化法をクリアマージンで上回り、実世界のスキャンとCADモデルを用いた手法を用いて、中間結果を得る。
論文 参考訳（メタデータ） (2023-06-07T08:28:38Z) - Boosting Low-Data Instance Segmentation by Unsupervised Pre-training
with Saliency Prompt [103.58323875748427]
この研究は、低データ体制のための新しい教師なし事前学習ソリューションを提供する。
近年のPrompting技術の成功に触発されて,QEISモデルを強化した新しい事前学習手法を導入する。
実験結果から,本手法は3つのデータセット上でのいくつかのQEISモデルを大幅に向上させることが示された。
論文 参考訳（メタデータ） (2023-02-02T15:49:03Z) - 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) - Semi-Supervised Single-View 3D Reconstruction via Prototype Shape Priors [79.80916315953374]
本研究では,3次元再構成のための半教師付きフレームワークであるSSP3Dを提案する。
本稿では,現実的なオブジェクト再構成を導くために,注意誘導型プロトタイプ形状先行モジュールを提案する。
実世界のPix3Dデータセットに10%のラベリング比で転送する場合も,本手法は良好に機能する。
論文 参考訳（メタデータ） (2022-09-30T11:19:25Z) - Scene Synthesis via Uncertainty-Driven Attribute Synchronization [52.31834816911887]
本稿では,3次元シーンの多様な特徴パターンを捉えるニューラルシーン合成手法を提案する。
提案手法は,ニューラルネットワークと従来のシーン合成手法の双方の長所を結合する。
論文 参考訳（メタデータ） (2021-08-30T19:45:07Z) - Mitigating Generation Shifts for Generalized Zero-Shot Learning [52.98182124310114]
一般化ゼロショット学習(英: Generalized Zero-Shot Learning、GZSL)は、学習中に見知らぬクラスが観察できない、見つからないサンプルを認識するために意味情報(属性など)を活用するタスクである。
本稿では,未知のデータ合成を効率よく,効率的に学習するための新しい生成シフト緩和フローフレームワークを提案する。
実験結果から,GSMFlowは従来のゼロショット設定と一般化されたゼロショット設定の両方において,最先端の認識性能を実現することが示された。
論文 参考訳（メタデータ） (2021-07-07T11:43:59Z) - 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) - Point Transformer for Shape Classification and Retrieval of 3D and ALS
Roof PointClouds [3.3744638598036123]
本稿では,リッチポイントクラウド表現の導出を目的とした,完全注意モデルであるem Point Transformerを提案する。
モデルの形状分類と検索性能は,大規模都市データセット - RoofN3D と標準ベンチマークデータセット ModelNet40 で評価される。
提案手法は、RoofN3Dデータセットの他の最先端モデルよりも優れており、ModelNet40ベンチマークで競合する結果を与え、目に見えない点の破損に対して高い堅牢性を示す。
論文 参考訳（メタデータ） (2020-11-08T08:11:02Z)
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。