論文の概要: Benchmarking and Analyzing Point Cloud Classification under Corruptions

• arxiv url: http://arxiv.org/abs/2202.03377v1
• Date: Mon, 7 Feb 2022 17:50:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-08 17:05:38.803384
• Title: Benchmarking and Analyzing Point Cloud Classification under Corruptions
• Title（参考訳）: 故障時のポイントクラウド分類のベンチマークと解析
• Authors: Jiawei Ren and Liang Pan and Ziwei Liu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 33.252032774949356
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 3D perception, especially point cloud classification, has achieved substantial progress. However, in real-world deployment, point cloud corruptions are inevitable due to the scene complexity, sensor inaccuracy, and processing imprecision. In this work, we aim to rigorously benchmark and analyze point cloud classification under corruptions. To conduct a systematic investigation, we first provide a taxonomy of common 3D corruptions and identify the atomic corruptions. Then, we perform a comprehensive evaluation on a wide range of representative point cloud models to understand their robustness and generalizability. Our benchmark results show that although point cloud classification performance improves over time, the state-of-the-art methods are on the verge of being less robust. Based on the obtained observations, we propose several effective techniques to enhance point cloud classifier robustness. We hope our comprehensive benchmark, in-depth analysis, and proposed techniques could spark future research in robust 3D perception.
• Abstract（参考訳）: 3D知覚、特にポイントクラウド分類は、かなりの進歩を遂げた。 しかし、現実のデプロイメントでは、シーンの複雑さ、センサーの不正確性、処理の不正確さのため、ポイントクラウドの破損は避けられない。 本研究では,汚職下でのポイントクラウド分類を厳格にベンチマークし,分析することを目的とする。 体系的な調査を行うため,我々はまず,共通の3次元腐敗の分類と原子崩壊の同定を行う。 そこで我々は,その堅牢性と一般化性を理解するために,幅広い代表点クラウドモデルに関する総合評価を行った。 ベンチマークの結果,ポイントクラウドの分類性能は時間とともに向上するが,最先端の手法では堅牢性が低下する可能性が示唆された。 得られた観測結果に基づき,点雲分類器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。 包括的なベンチマーク、詳細な分析、そして提案手法が将来の堅牢な3D知覚研究のきっかけになることを願っている。

関連論文リスト

• Deep Learning for 3D Point Cloud Enhancement: A Survey [7.482216242644069]
  本稿では,深層学習に基づくポイントクラウド強化手法に関する総合的な調査を行う。 ポイントクラウドの強化、すなわちクリーンなデータを達成するためのデノイング、見えないデータを復元するための完了、高密度なデータを得るためのアップサンプリングの3つの主要な視点をカバーしている。 本調査では,最近の最先端手法の新しい分類法と,標準ベンチマークの体系的実験結果について述べる。
  論文  参考訳（メタデータ） (2024-10-30T15:07:06Z)
• Deep Learning-based 3D Point Cloud Classification: A Systematic Survey and Outlook [12.014972829130764]
  本稿では,ポイントクラウドの獲得,特徴,課題を紹介する。 我々は3Dデータ表現、ストレージフォーマット、およびポイントクラウド分類のための一般的に使用されるデータセットについてレビューする。
  論文  参考訳（メタデータ） (2023-11-05T09:28:43Z)
• Risk-optimized Outlier Removal for Robust 3D Point Cloud Classification [54.286437930350445]
  本稿では,各種ノイズによる点雲分類の課題について述べる。 本稿では,下流分類モデルのパワーを生かした革新的なポイントアウトリア浄化手法を提案する。 提案手法は, 多様な点雲の異常値を頑健にフィルタするだけでなく, 既存の点雲分類手法を大幅に強化する。
  論文  参考訳（メタデータ） (2023-07-20T13:47:30Z)
• PointCA: Evaluating the Robustness of 3D Point Cloud Completion Models Against Adversarial Examples [63.84378007819262]
  本稿では,3次元クラウド完了モデルに対する最初の逆攻撃であるPointCAを提案する。 ポイントCAは、元のものと高い類似性を維持する逆点雲を生成することができる。 その結果,PointCAは77.9%から16.7%に低下し,その構造は0.01以下であることがわかった。
  論文  参考訳（メタデータ） (2022-11-22T14:15:41Z)
• Common Corruption Robustness of Point Cloud Detectors: Benchmark and Enhancement [17.228852716121885]
  LiDARベースのポイントクラウドによるオブジェクト検出は、最近自動運転において重要になった。 さまざまなシーンと、さまざまな重大さを持つ現実的な汚職タイプをカバーする大規模なデータセットが欠如している。 そこで本研究では, 実世界の共通汚職にともなう劣化点雲を生成する物理認識シミュレーション手法を提案する。
  論文  参考訳（メタデータ） (2022-10-12T03:23:35Z)
• Blind Quality Assessment of 3D Dense Point Clouds with Structure Guided Resampling [71.68672977990403]
  本研究では,3次元高密度点雲の知覚的視覚的品質を自動評価するために,Structure Guided Resampling (SGR) を用いた客観的点雲品質指標を提案する。 提案するSGRは,参照情報の不要な汎用ブラインド品質評価手法である。
  論文  参考訳（メタデータ） (2022-08-31T02:42:55Z)
• 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)
• Shape-invariant 3D Adversarial Point Clouds [111.72163188681807]
  逆境と不可視性は、逆境の摂動の2つの基本的だが矛盾する性格である。 3Dポイントのクラウド認識に対する以前の敵対的攻撃は、しばしば目立ったポイントアウトリーチによって批判された。 本稿では,点摂動の効率性と非受容性を両立させる新しい点-クラウド感度マップを提案する。
  論文  参考訳（メタデータ） (2022-03-08T12:21:35Z)
• Unsupervised Point Cloud Representation Learning with Deep Neural Networks: A Survey [104.71816962689296]
  大規模クラウドラベリングの制約により,教師なしのポイントクラウド表現学習が注目されている。 本稿では、ディープニューラルネットワークを用いた教師なしポイントクラウド表現学習の総合的なレビューを提供する。
  論文  参考訳（メタデータ） (2022-02-28T07:46:05Z)
• Benchmarking Robustness of 3D Point Cloud Recognition Against Common Corruptions [38.89370166717221]
  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。
  論文  参考訳（メタデータ） (2022-01-28T18:01:42Z)

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。