論文の概要: ANTLER: Bayesian Nonlinear Tensor Learning and Modeler for Unstructured, Varying-Size Point Cloud Data

• arxiv url: http://arxiv.org/abs/2202.13788v1
• Date: Fri, 25 Feb 2022 08:37:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-01 14:49:36.124119
• Title: ANTLER: Bayesian Nonlinear Tensor Learning and Modeler for Unstructured, Varying-Size Point Cloud Data
• Title（参考訳）: ANTLER: ベイズ的非線形テンソル学習と非構造化・可変点クラウドデータのモデリング
• Authors: Michael Biehler, Hao Yan, Jianjun Shi
• Abstract要約: 非構造化点雲に基づくスカラー応答の予測は一般的な問題である。 本研究では,非構造化, 可変小点クラウドデータの関係をモデル化するための"Bayesian Learning and Modeler"(ANTLER)を提案する。
• 参考スコア（独自算出の注目度）: 11.851319290693047
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Unstructured point clouds with varying sizes are increasingly acquired in a variety of environments through laser triangulation or Light Detection and Ranging (LiDAR). Predicting a scalar response based on unstructured point clouds is a common problem that arises in a wide variety of applications. The current literature relies on several pre-processing steps such as structured subsampling and feature extraction to analyze the point cloud data. Those techniques lead to quantization artifacts and do not consider the relationship between the regression response and the point cloud during pre-processing. Therefore, we propose a general and holistic "Bayesian Nonlinear Tensor Learning and Modeler" (ANTLER) to model the relationship of unstructured, varying-size point cloud data with a scalar or multivariate response. The proposed ANTLER simultaneously optimizes a nonlinear tensor dimensionality reduction and a nonlinear regression model with a 3D point cloud input and a scalar or multivariate response. ANTLER has the ability to consider the complex data representation, high-dimensionality,and inconsistent size of the 3D point cloud data.
• Abstract（参考訳）: 様々な大きさの非構造点雲は、レーザー三角測量や光検出・追跡(LiDAR)を通じて、様々な環境で取得される。 非構造化点雲に基づくスカラー応答の予測は、様々なアプリケーションで発生する一般的な問題である。 現在の文献は、ポイントクラウドデータを分析するために構造化サブサンプリングや特徴抽出など、いくつかの前処理ステップに依存している。 これらの手法は量子化アーティファクトにつながり、回帰応答と前処理中の点雲の関係を考慮しない。 そこで本研究では,非構造化・可変点クラウドデータとスカラーあるいは多変量応答の関係をモデル化する汎用的・包括的非線形テンソル学習モデル(ANTLER)を提案する。 提案するアントラーは, 非線形テンソル次元の低減と3次元点クラウド入力とスカラーあるいは多変量応答を持つ非線形回帰モデルを同時に最適化する。 ANTLERは複雑なデータ表現、高次元性、および3Dポイントクラウドデータの一貫性のないサイズを考慮できる。

関連論文リスト

• Bridging Domain Gap of Point Cloud Representations via Self-Supervised Geometric Augmentation [15.881442863961531]
  領域間の点雲表現の幾何学的不変性を誘導する新しいスキームを提案する。 一方、点雲のセントロイドシフトを軽減するために、拡張サンプルの距離の変換を予測するための新しいプレテキストタスクが提案されている。 一方,我々は幾何学的に拡張された点雲上での自己教師付き関係学習の統合を開拓した。
  論文  参考訳（メタデータ） (2024-09-11T02:39:19Z)
• PointRWKV: Efficient RWKV-Like Model for Hierarchical Point Cloud Learning [56.14518823931901]
  NLP分野におけるRWKVモデルから導かれる線形複雑性のモデルであるPointRWKVを提案する。 まず,改良型マルチヘッド行列値状態を用いて,PointRWKVブロック内のグローバル処理機能について検討する。 局所的な幾何学的特徴を同時に抽出するために,グラフ安定化器を用いた固定半径近傍グラフにおいて,点雲を効率的に符号化する並列分岐を設計する。
  論文  参考訳（メタデータ） (2024-05-24T05:02:51Z)
• PointMoment:Mixed-Moment-based Self-Supervised Representation Learning for 3D Point Clouds [11.980787751027872]
  我々は,ポイントクラウドによる自己教師型表現学習のための新しいフレームワークであるPointMomentを提案する。 我々のフレームワークは、非対称ネットワークアーキテクチャや勾配停止など特別な技術を必要としない。
  論文  参考訳（メタデータ） (2023-12-06T08:49:55Z)
• 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)
• Data Augmentation-free Unsupervised Learning for 3D Point Cloud Understanding [61.30276576646909]
  ソフトクラスタリング(SoftClu)と呼ばれる,移動可能な点レベルの特徴を学習するための,ポイントクラウドに対する拡張不要な教師なしアプローチを提案する。 我々は,クラスタに対するポイントのアフィリエイトをプロキシとして利用し,擬似ラベル予測タスクを通じて自己学習を可能にする。
  論文  参考訳（メタデータ） (2022-10-06T10:18:16Z)
• IDEA-Net: Dynamic 3D Point Cloud Interpolation via Deep Embedding Alignment [58.8330387551499]
  我々は、点方向軌跡(すなわち滑らかな曲線)の推定として問題を定式化する。 本稿では,学習した時間的一貫性の助けを借りて問題を解消する,エンドツーエンドのディープラーニングフレームワークであるIDEA-Netを提案する。 各種点群における本手法の有効性を実証し, 定量的かつ視覚的に, 最先端の手法に対する大幅な改善を観察する。
  論文  参考訳（メタデータ） (2022-03-22T10:14:08Z)
• Machine Learning in LiDAR 3D point clouds [0.0]
  本稿では,3次元点雲LiDARデータの分類に関する予備的比較研究を行う。 特に,lidar point cloud内の各点に隣接点に関する情報を付加することで,下流学習アルゴリズムの性能を向上させることができることを示す。 また、主成分分析(PCA)からニューラルネットワークベースの自動エンコーダまで、いくつかの寸法削減戦略を実験し、LiDARポイントクラウドの分類パフォーマンスにどのように影響するかを実証します。
  論文  参考訳（メタデータ） (2021-01-22T20:23:23Z)
• Learning Rotation-Invariant Representations of Point Clouds Using Aligned Edge Convolutional Neural Networks [29.3830445533532]
  ポイントクラウド分析は、シーンの深さを正確に測定できる3Dセンサーの開発によって、関心が高まる分野である。 点群解析に深層学習技術を適用することは、これらの手法が見えない回転に一般化できないため、簡単ではありません。 この制限に対処するには、通常、トレーニングデータを強化する必要があり、これは余分な計算につながる可能性があり、より大きなモデルの複雑さを必要とする。 本稿では,局所参照フレーム(LRF)に対する点群の特徴表現を学習する,Aligned Edge Convolutional Neural Network(AECNN)と呼ばれる新しいニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-01-02T17:36:00Z)
• Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
  本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。 まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。 そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
  論文  参考訳（メタデータ） (2020-11-25T14:00:18Z)
• Pseudo-LiDAR Point Cloud Interpolation Based on 3D Motion Representation and Spatial Supervision [68.35777836993212]
  我々はPseudo-LiDAR点雲ネットワークを提案し、時間的および空間的に高品質な点雲列を生成する。 点雲間のシーンフローを活用することにより,提案ネットワークは3次元空間運動関係のより正確な表現を学習することができる。
  論文  参考訳（メタデータ） (2020-06-20T03:11:04Z)

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。