論文の概要: Benchmarking Robustness of 3D Point Cloud Recognition Against Common Corruptions

• arxiv url: http://arxiv.org/abs/2201.12296v1
• Date: Fri, 28 Jan 2022 18:01:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-31 13:56:55.055887
• Title: Benchmarking Robustness of 3D Point Cloud Recognition Against Common Corruptions
• Title（参考訳）: 共通破壊に対する3次元点雲認識のロバスト性評価
• Authors: Jiachen Sun, Qingzhao Zhang, Bhavya Kailkhura, Zhiding Yu, Chaowei Xiao, and Z. Morley Mao
• Abstract要約: 筆者らは,3Dポイントクラウドの破壊堅牢性に関する最初の総合的なベンチマークであるModelNet40-Cを提案する。 評価の結果,モデルNet40 とモデルNet40-C では,最先端モデル (SOTA) では大きな差がみられた。 適切なトレーニングレシピを持つTransformerベースのアーキテクチャは、強力な堅牢性を実現する。
• 参考スコア（独自算出の注目度）: 38.89370166717221
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep neural networks on 3D point cloud data have been widely used in the real world, especially in safety-critical applications. However, their robustness against corruptions is less studied. In this paper, we present ModelNet40-C, the first comprehensive benchmark on 3D point cloud corruption robustness, consisting of 15 common and realistic corruptions. Our evaluation shows a significant gap between the performances on ModelNet40 and ModelNet40-C for state-of-the-art (SOTA) models. To reduce the gap, we propose a simple but effective method by combining PointCutMix-R and TENT after evaluating a wide range of augmentation and test-time adaptation strategies. We identify a number of critical insights for future studies on corruption robustness in point cloud recognition. For instance, we unveil that Transformer-based architectures with proper training recipes achieve the strongest robustness. We hope our in-depth analysis will motivate the development of robust training strategies or architecture designs in the 3D point cloud domain. Our codebase and dataset are included in https://github.com/jiachens/ModelNet40-C
• Abstract（参考訳）: 3dポイントクラウドデータ上のディープニューラルネットワークは、現実世界、特に安全クリティカルなアプリケーションで広く使われている。 しかし、汚職に対する頑丈さは研究されていない。 本稿では,15の共通および現実的な腐敗からなる3次元点雲の破壊堅牢性に関する最初の総合的なベンチマークであるModelNet40-Cを提案する。 評価の結果,モデルNet40 とモデルNet40-C では,最先端モデル (SOTA) では大きな差がみられた。 このギャップを減らすために,多種多様な拡張およびテスト時間適応戦略を評価し,PointCutMix-RとTENTを組み合わせた簡易かつ効果的な手法を提案する。 我々は、ポイントクラウド認識における汚職の堅牢性に関する将来の研究に対する重要な洞察を多数特定する。 例えば、適切なトレーニングレシピを持つTransformerベースのアーキテクチャは、強力な堅牢性を実現しています。 詳細な分析が、3d point cloudドメインにおける堅牢なトレーニング戦略やアーキテクチャ設計の開発を動機付けることを期待しています。 私たちのコードベースとデータセットはhttps://github.com/jiachens/ModelNet40-Cに含まれています。

関連論文リスト

• PCLD: Point Cloud Layerwise Diffusion for Adversarial Purification [0.8192907805418583]
  ポイントクラウドは、ロボット工学、自律運転、拡張現実など、さまざまな現実世界のアプリケーションに広く利用されている。 モデルの堅牢性を評価する典型的な方法は、敵攻撃によるものである。 本稿では, 層状拡散に基づく3次元ポイントクラウド防衛戦略であるポイントクラウド層拡散(PCLD)を提案する。
  論文  参考訳（メタデータ） (2024-03-11T13:13:10Z)
• CSI: Enhancing the Robustness of 3D Point Cloud Recognition against Corruption [33.70232326721406]
  現実世界の安全クリティカルなアプリケーションは、避けられないデータ破損による課題を提示する。 本研究では、ポイントクラウドデータ固有の設定特性を利用して、新しいクリティカルサブセット識別(CSI)手法を導入する。 我々のCSIフレームワークは、密度認識サンプリング(DAS)と自己エントロピー最小化(SEM)の2つの重要なコンポーネントを統合している。
  論文  参考訳（メタデータ） (2023-10-05T07:30:52Z)
• Sample-adaptive Augmentation for Point Cloud Recognition Against Real-world Corruptions [20.95456179904285]
  本稿では,サンプルの構造に基づくサンプル適応変換をAdaptPointと命名する手法を提案する。 判別器は、原データ分布から逸脱する過度な腐敗の発生を防止するために用いられる。 実験の結果,ModelNet-C,ScanObjectNN-C,ShapeNet-C など,複数の汚損評価ベンチマークにおいて,最先端の結果が得られた。
  論文  参考訳（メタデータ） (2023-09-19T08:46:43Z)
• Variational Relational Point Completion Network for Robust 3D Classification [59.80993960827833]
  可変点雲補完法は、局所的な詳細を欠くため、大域的な形状の骨格を生成する傾向がある。 本稿では2つの魅力的な特性を持つ変分フレームワークであるポイントコンプリートネットワーク(VRCNet)を提案する。 VRCNetは、現実世界のポイントクラウドスキャンにおいて、非常に一般化性と堅牢性を示している。
  論文  参考訳（メタデータ） (2023-04-18T17:03:20Z)
• Robo3D: Towards Robust and Reliable 3D Perception against Corruptions [58.306694836881235]
  我々は,3次元検出器とセグメンタのロバスト性を,アウト・オブ・ディストリビューションのシナリオで検証するための,最初の総合的なベンチマークであるRobo3Dを紹介する。 気象条件の悪化,外乱,センサの故障などに起因する8種類の汚職について検討した。 本稿では,モデルレジリエンスを高めるための簡易なフレキシブルなボキセル化戦略とともに,密度に敏感なトレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-30T17:59:17Z)
• 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)
• PointAttN: You Only Need Attention for Point Cloud Completion [89.88766317412052]
  ポイント・クラウド・コンプリート(Point cloud completion)とは、部分的な3次元ポイント・クラウドから3次元の形状を完成させることである。 そこで我々は,kNNを除去するために,ポイントクラウドをポイント単位に処理する新しいニューラルネットワークを提案する。 提案するフレームワークであるPointAttNはシンプルで簡潔で効果的であり、3次元形状の構造情報を正確に捉えることができる。
  論文  参考訳（メタデータ） (2022-03-16T09:20:01Z)
• Benchmarking and Analyzing Point Cloud Classification under Corruptions [33.252032774949356]
  汚職下でのポイントクラウド分類をベンチマークし分析する。 得られた観測結果に基づいて,点雲のロバスト性を高めるためのいくつかの効果的な手法を提案する。
  論文  参考訳（メタデータ） (2022-02-07T17:50:21Z)
• 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)
• IF-Defense: 3D Adversarial Point Cloud Defense via Implicit Function based Restoration [68.88711148515682]
  ディープニューラルネットワークは、様々な3D敵攻撃に対して脆弱である。 本稿では,幾何学的制約と分布的制約を伴って入力点の座標を直接最適化するIF-Defenseフレームワークを提案する。 この結果から,IF-Defense は PointNet, PointNet++, DGCNN, PointConv, RS-CNN に対する既存の3次元攻撃に対して,最先端の防御性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-10-11T15:36:40Z)

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。