論文の概要: Visualizing Global Explanations of Point Cloud DNNs

• arxiv url: http://arxiv.org/abs/2203.09505v1
• Date: Thu, 17 Mar 2022 17:53:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-03-18 15:20:28.030897
• Title: Visualizing Global Explanations of Point Cloud DNNs
• Title（参考訳）: ポイントクラウドDNNのグローバル説明の可視化
• Authors: Hanxiao Tan
• Abstract要約: そこで本研究では,局所的な代理モデルに基づくクラウド適用可能な説明可能性アプローチを提案し,どのコンポーネントが分類に寄与しているかを示す。 我々の新しい説明可能性アプローチは、ポイントクラウド分類タスクに対して、かなり正確で、よりセマンティックに一貫性があり、広く適用可能な説明を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the field of autonomous driving and robotics, point clouds are showing their excellent real-time performance as raw data from most of the mainstream 3D sensors. Therefore, point cloud neural networks have become a popular research direction in recent years. So far, however, there has been little discussion about the explainability of deep neural networks for point clouds. In this paper, we propose a point cloud-applicable explainability approach based on a local surrogate model-based method to show which components contribute to the classification. Moreover, we propose quantitative fidelity validations for generated explanations that enhance the persuasive power of explainability and compare the plausibility of different existing point cloud-applicable explainability methods. Our new explainability approach provides a fairly accurate, more semantically coherent and widely applicable explanation for point cloud classification tasks. Our code is available at https://github.com/Explain3D/LIME-3D
• Abstract（参考訳）: 自動運転とロボット工学の分野では、ポイントクラウドは主要な3Dセンサーの生データとして、優れたリアルタイムパフォーマンスを示している。 したがって、ポイント・クラウド・ニューラルネットは近年、一般的な研究の方向性となっている。 しかし、これまでのところ、ポイントクラウドに対するディープニューラルネットワークの説明可能性についてはほとんど議論されていない。 本稿では,ローカルサロゲートモデルに基づくポイントクラウド適用可能な説明可能性アプローチを提案し,どのコンポーネントが分類に寄与しているかを示す。 さらに,説明可能性の説得力を高めるような生成説明に対する定量的忠実性検証を提案し,既存点のクラウド適用可能な説明可能性法の比較を行った。 我々の新しい説明可能性アプローチは、ポイントクラウド分類タスクに対して、かなり正確で、セマンティックに一貫性があり、広く適用可能な説明を提供する。 私たちのコードはhttps://github.com/Explain3D/LIME-3Dで利用可能です。

関連論文リスト

• Ponder: Point Cloud Pre-training via Neural Rendering [93.34522605321514]
  本稿では,識別可能なニューラルエンコーダによる点雲表現の自己教師型学習手法を提案する。 学習したポイントクラウドは、3D検出やセグメンテーションといったハイレベルなレンダリングタスクだけでなく、3D再構成や画像レンダリングといった低レベルなタスクを含む、さまざまなダウンストリームタスクに簡単に統合できる。
  論文  参考訳（メタデータ） (2022-12-31T08:58:39Z)
• 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)
• 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)
• Unsupervised Representation Learning for 3D Point Cloud Data [66.92077180228634]
  我々は、教師なしのポイントクラウド学習に対して、シンプルで効果的なアプローチを提案する。 特に、原点雲の優れたコントラストバージョンを生成する非常に有用な変換を同定する。 本研究では,3次元オブジェクト分類,形状部分分割,シーン分割の3つの下流タスクについて実験を行った。
  論文  参考訳（メタデータ） (2021-10-13T10:52:45Z)
• Explainability-Aware One Point Attack for Point Cloud Neural Networks [0.0]
  本研究は2つの新たな攻撃手法である opa と cta を提案する。 入力インスタンスから1ポイントだけをシフトすることで、人気の高いクラウドネットワークを100%の成功率で騙すことができることを示す。 また,異なる点帰属分布が点クラウドネットワークの対角的ロバスト性に与える影響についても考察した。
  論文  参考訳（メタデータ） (2021-10-08T14:29:02Z)
• PnP-3D: A Plug-and-Play for 3D Point Clouds [38.05362492645094]
  本稿では,既存ネットワークのポイントクラウドデータ解析における有効性を改善するために,プラグイン・アンド・プレイモジュール -3D を提案する。 アプローチを徹底的に評価するために,3つの標準的なクラウド分析タスクについて実験を行った。 本研究は,最先端の成果の達成に加えて,我々のアプローチのメリットを実証する包括的研究を提案する。
  論文  参考訳（メタデータ） (2021-08-16T23:59:43Z)
• Surrogate Model-Based Explainability Methods for Point Cloud NNs [0.0]
  我々は、ポイントクラウドディープニューラルネットワークのための新しい説明可能性アプローチを提案する。 私たちのアプローチは、ポイントクラウド分類タスクに対して、かなり正確で、直感的で、広く適用可能な説明を提供します。
  論文  参考訳（メタデータ） (2021-07-28T16:13:20Z)
• Graphite: GRAPH-Induced feaTure Extraction for Point Cloud Registration [80.69255347486693]
  我々は、シンプルな機能とキーポイント検出器である Graph-induced feaTure extract Pipeline を導入する。 我々は,点クラウド領域を記述し,有意な点を抽出する汎用的なグラフベース学習手法を構築した。 我々は3Dキーポイントパイプラインをグラフニューラルネットワークで再構成し、ポイントセットの効率的な処理を可能にする。
  論文  参考訳（メタデータ） (2020-10-18T19:41:09Z)
• GRNet: Gridding Residual Network for Dense Point Cloud Completion [54.43648460932248]
  完全な3Dポイントクラウドを不完全なクラウドから推定することは、多くのビジョンやロボティクスアプリケーションにおいて重要な問題である。 本稿では,ポイントクラウド補完のための新しいGridding Residual Network(GRNet)を提案する。 実験結果から,提案したGRNetはShapeNet,Completion3D,KITTIベンチマークの最先端手法に対して良好に動作することがわかった。
  論文  参考訳（メタデータ） (2020-06-06T02:46:39Z)
• Airborne LiDAR Point Cloud Classification with Graph Attention Convolution Neural Network [5.69168146446103]
  本稿では,空飛ぶLiDARにより得られる非構造化3次元点雲の分類に直接適用可能なグラフ注意畳み込みニューラルネットワーク(GACNN)を提案する。 提案するグラフアテンション・コンボリューション・モジュールに基づいて,GACNNと呼ばれるエンド・ツー・エンドのエンコーダ・デコーダネットワークを設計し,ポイント・クラウドのマルチスケールな特徴を捉える。 ISPRS 3Dラベリングデータセットの実験では、提案モデルが平均F1スコア(71.5%)と全精度(83.2%)で新しい最先端性能を達成することが示された。
  論文  参考訳（メタデータ） (2020-04-20T05:12:31Z)

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。