論文の概要: Quasi-Balanced Self-Training on Noise-Aware Synthesis of Object Point Clouds for Closing Domain Gap

• arxiv url: http://arxiv.org/abs/2203.03833v1
• Date: Tue, 8 Mar 2022 03:44:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-10 01:22:00.688730
• Title: Quasi-Balanced Self-Training on Noise-Aware Synthesis of Object Point Clouds for Closing Domain Gap
• Title（参考訳）: クロージング領域ギャップ用物体点雲のノイズを考慮した準ベース自己評価
• Authors: Yongwei Chen, Zihao Wang, Longkun Zou, Ke Chen, Kui Jia
• Abstract要約: 本稿では,CADモデルへのスペックルパターンの投影によるステレオ画像のレンダリングにより,オブジェクト・ポイント・クラウドを物理的にリアルに合成する統合スキームを提案する。 実験により,本手法の有効性,および各モジュールが点クラウド分類における教師なし領域適応に有効であることを検証できる。
• 参考スコア（独自算出の注目度）: 34.590531549797355
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Semantic analyses of object point clouds are largely driven by releasing of benchmarking datasets, including synthetic ones whose instances are sampled from object CAD models. However, learning from synthetic data may not generalize to practical scenarios, where point clouds are typically incomplete, non-uniformly distributed, and noisy. Such a challenge of Simulation-to-Real (Sim2Real) domain gap could be mitigated via learning algorithms of domain adaptation; however, we argue that generation of synthetic point clouds via more physically realistic rendering is a powerful alternative, as systematic non-uniform noise patterns can be captured. To this end, we propose an integrated scheme consisting of physically realistic synthesis of object point clouds via rendering stereo images via projection of speckle patterns onto CAD models and a novel quasi-balanced self-training designed for more balanced data distribution by sparsity-driven selection of pseudo labeled samples for long tailed classes. Experiment results can verify the effectiveness of our method as well as both of its modules for unsupervised domain adaptation on point cloud classification, achieving the state-of-the-art performance.
• Abstract（参考訳）: オブジェクトポイントクラウドのセマンティック分析は、主に、オブジェクトCADモデルからインスタンスをサンプリングした合成データを含むベンチマークデータセットのリリースによって行われる。 しかし、合成データから学ぶことは、通常、点雲が不完全で、不均一に分散し、騒がしい、実用的なシナリオに一般化することはない。 このようなシミュレーション・トゥ・リアル(sim2real)ドメインギャップの課題は、ドメイン適応の学習アルゴリズムによって軽減することができるが、より物理的にリアルなレンダリングによる合成点雲の生成は、系統的非一様ノイズパターンをキャプチャできる強力な選択肢であると主張する。 そこで本研究では,cadモデルへのスペックルパターンの投影によるステレオ画像のレンダリングによるオブジェクトポイントクラウドの物理的に現実的な合成と,ロングテールクラスにおける擬似ラベル付きサンプルのスパルシリティによる選択による,よりバランスのとれたデータ分散を実現するための,新たな準バランスセルフトレーニングを提案する。 実験により,本手法の有効性と,制御されていない領域適応をポイントクラウド分類で検証し,最先端の性能を実現する。

関連論文リスト

• RealDiff: Real-world 3D Shape Completion using Self-Supervised Diffusion Models [15.209079637302905]
  本稿では,実世界の実測に基づく条件生成問題として,点雲完了を定式化する自己教師型フレームワークであるRealDiffを提案する。 具体的には、RealDiffは、タスクのマルチモーダルな性質に対処するために部分入力の生成を条件付けながら、行方不明なオブジェクト部分での拡散プロセスをシミュレートする。 実験結果から,本手法は実世界のクラウド完成度において常に最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-09-16T11:18:57Z)
• 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)
• PU-Ray: Domain-Independent Point Cloud Upsampling via Ray Marching on Neural Implicit Surface [5.78575346449322]
  我々は任意のレートで新しいレイベースのアップサンプリング手法を提案し、各クエリ線とその対応するパッチに対して深さ予測を行う。 非符号距離関数 (UDF) で定義された神経暗示面上の球面追跡線マーチングアルゴリズムをシミュレーションした。 ルールベースの中間点問合せサンプリング手法は, 最寄りの近傍の復元損失関数を用いて訓練されたエンドツーエンドモデルを必要としない, より均等な分散点を生成する。
  論文  参考訳（メタデータ） (2023-10-12T22:45:03Z)
• Compositional Semantic Mix for Domain Adaptation in Point Cloud Segmentation [65.78246406460305]
  合成意味混合は、ポイントクラウドセグメンテーションのための最初の教師なし領域適応技術である。 本稿では、ソースドメイン(例えば合成)からの点雲とターゲットドメイン(例えば実世界)からの点雲を同時に処理できる2分岐対称ネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-08-28T14:43:36Z)
• Exploring the Effectiveness of Dataset Synthesis: An application of Apple Detection in Orchards [68.95806641664713]
  本研究では,リンゴ樹の合成データセットを生成するための安定拡散2.1-baseの有用性について検討する。 我々は、現実世界のリンゴ検出データセットでリンゴを予測するために、YOLOv5mオブジェクト検出モデルを訓練する。 その結果、実世界の画像でトレーニングされたベースラインモデルと比較して、生成データでトレーニングされたモデルはわずかに性能が劣っていることがわかった。
  論文  参考訳（メタデータ） (2023-06-20T09:46:01Z)
• Controllable Mesh Generation Through Sparse Latent Point Diffusion Models [105.83595545314334]
  メッシュ生成のための新しいスパース潜在点拡散モデルを設計する。 私たちの重要な洞察は、ポイントクラウドをメッシュの中間表現と見なし、代わりにポイントクラウドの分布をモデル化することです。 提案したスパース潜在点拡散モデルにより,生成品質と制御性において優れた性能が得られる。
  論文  参考訳（メタデータ） (2023-03-14T14:25:29Z)
• Synthetic-to-Real Domain Generalized Semantic Segmentation for 3D Indoor Point Clouds [69.64240235315864]
  本稿では,本課題に対して,合成-実領域一般化設定を提案する。 合成と実世界のポイントクラウドデータのドメインギャップは、主に異なるレイアウトとポイントパターンにあります。 CINMixとMulti-prototypeの両方が分配ギャップを狭めることを示した。
  論文  参考訳（メタデータ） (2022-12-09T05:07:43Z)
• DiffCloud: Real-to-Sim from Point Clouds with Differentiable Simulation and Rendering of Deformable Objects [18.266002992029716]
  変形可能な物体の操作に関する研究は、典型的には限られたシナリオで行われている。 様々な種類の変形と相互作用をサポートする現実的なシミュレータは、実験をスピードアップする可能性がある。 高度に変形可能なオブジェクトに対しては、シミュレータの出力と実際のオブジェクトの振る舞いを一致させることが困難である。
  論文  参考訳（メタデータ） (2022-04-07T00:45:26Z)
• CAFE: Learning to Condense Dataset by Aligning Features [72.99394941348757]
  本稿ではCAFE(Aligning features)によるCondenseデータセットの新しいスキームを提案する。 このアプローチの核心は、さまざまなスケールにわたる実データと合成データから機能を整合させる効果的な戦略です。 提案したCAFEを様々なデータセットで検証し,概ね最先端技術であることを示す。
  論文  参考訳（メタデータ） (2022-03-03T05:58:49Z)
• SPU-Net: Self-Supervised Point Cloud Upsampling by Coarse-to-Fine Reconstruction with Self-Projection Optimization [52.20602782690776]
  実際のスキャンされたスパースデータからトレーニング用の大規模なペアリングスパーススキャンポイントセットを得るのは高価で面倒です。 本研究では,SPU-Net と呼ばれる自己監視型点群アップサンプリングネットワークを提案する。 本研究では,合成データと実データの両方について様々な実験を行い,最先端の教師付き手法と同等の性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-12-08T14:14:09Z)
• Style-transfer GANs for bridging the domain gap in synthetic pose estimator training [8.508403388002133]
  画素レベルの画像変換に汎用的なGANモデルを採用することを提案する。 得られたモデルは、トレーニング中または推論時に、ドメインギャップをブリッジするために使用される。 ドメインランダム化の程度で訓練されたモデルと比較すると,モデルの性能は大幅に向上した。
  論文  参考訳（メタデータ） (2020-04-28T17:35:03Z)

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。