論文の概要: Primitive-based Shape Abstraction via Nonparametric Bayesian Inference

• arxiv url: http://arxiv.org/abs/2203.14714v1
• Date: Mon, 28 Mar 2022 13:00:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-29 15:25:42.744123
• Title: Primitive-based Shape Abstraction via Nonparametric Bayesian Inference
• Title（参考訳）: 非パラメトリックベイズ推論による原始的形状抽象化
• Authors: Yuwei Wu, Weixiao Liu, Sipu Ruan, Gregory S. Chirikjian
• Abstract要約: 本稿では,未知数の幾何学的プリミティブからなる抽象化を点雲から推論する,新しい非パラメトリックベイズ統計法を提案する。 提案手法は精度において最先端の手法より優れており,様々な種類のオブジェクトに対して一般化可能である。
• 参考スコア（独自算出の注目度）: 29.7543198254021
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 3D shape abstraction has drawn great interest over the years. Apart from low-level representations such as meshes and voxels, researchers also seek to semantically abstract complex objects with basic geometric primitives. Recent deep learning methods rely heavily on datasets, with limited generality to unseen categories. Furthermore, abstracting an object accurately yet with a small number of primitives still remains a challenge. In this paper, we propose a novel non-parametric Bayesian statistical method to infer an abstraction, consisting of an unknown number of geometric primitives, from a point cloud. We model the generation of points as observations sampled from an infinite mixture of Gaussian Superquadric Taper Models (GSTM). Our approach formulates the abstraction as a clustering problem, in which: 1) each point is assigned to a cluster via the Chinese Restaurant Process (CRP); 2) a primitive representation is optimized for each cluster, and 3) a merging post-process is incorporated to provide a concise representation. We conduct extensive experiments on various datasets. The results indicate that our method outperforms the state-of-the-art in terms of accuracy and is generalizable to various types of objects.
• Abstract（参考訳）: 3D形状の抽象化は、長年にわたって大きな関心を集めてきた。 メッシュやボクセルのような低レベルの表現とは別に、研究者は基本的な幾何学的プリミティブを持つ複雑なオブジェクトを意味的に抽象化することも求めている。 最近のディープラーニング手法はデータセットに大きく依存しており、目に見えないカテゴリに限られている。 さらに、少数のプリミティブでオブジェクトを正確に抽象化することは依然として困難である。 本稿では,点雲から未知数の幾何学的プリミティブからなる抽象概念を推定する,新しい非パラメトリックベイズ統計手法を提案する。 ガウス超量子テーパモデル(gstm)の無限混合系から観測した点の生成をモデル化した。 私たちのアプローチでは,抽象化をクラスタリング問題として定式化しています。 1) 各ポイントは、中国レストランプロセス(CRP)を介してクラスタに割り当てられる。 2)プリミティブ表現は各クラスタに最適化され、 3) マージ後処理を組み込んで簡潔な表現を提供する。 様々なデータセットについて広範な実験を行う。 その結果,本手法は精度の面では最先端を上回り,様々な種類のオブジェクトに一般化できることがわかった。

関連論文リスト

• Generalized Few-Shot Point Cloud Segmentation Via Geometric Words [54.32239996417363]
  ショットポイントクラウドセグメンテーションアルゴリズムは、ベースクラスのセグメンテーション精度を犠牲にして、新しいクラスに適応するように学習する。 一般化された数ショット点雲のセグメンテーションというより実践的なパラダイムの最初の試みを示す。 基本クラスと新規クラス間で共有される幾何学的要素を表す幾何学的単語を提案し,それらを新しい幾何学的意味表現に組み込む。
  論文  参考訳（メタデータ） (2023-09-20T11:24:33Z)
• Marching-Primitives: Shape Abstraction from Signed Distance Function [29.7543198254021]
  本稿では,SDF から直接原始的抽象化を得るために,マーチング・プリミティブと呼ばれる新しい手法を提案する。 本手法は, ボクセルの接続性を解析することにより, 幾何的プリミティブを反復的に成長させる。 合成および実世界の両方のデータセットにおいて,本手法の性能を評価する。
  論文  参考訳（メタデータ） (2023-03-23T11:42:35Z)
• Clustering large 3D volumes: A sampling-based approach [0.0]
  X線CTの多くの応用において、再構成された3Dボリュームの教師なしセグメンテーションは、画像処理チェーンにおいて重要なステップとなる。 ランダムサンプリングに基づく新しいクラスタリング手法を導入し,任意の大ボリュームのボクセルワイズ分類を可能にする。
  論文  参考訳（メタデータ） (2023-03-07T19:23:33Z)
• Unified Multi-View Orthonormal Non-Negative Graph Based Clustering Framework [74.25493157757943]
  我々は,非負の特徴特性を活用し,多視点情報を統合された共同学習フレームワークに組み込む,新しいクラスタリングモデルを定式化する。 また、深層機能に基づいたクラスタリングデータに対するマルチモデル非負グラフベースのアプローチを初めて検討する。
  論文  参考訳（メタデータ） (2022-11-03T08:18:27Z)
• BIMS-PU: Bi-Directional and Multi-Scale Point Cloud Upsampling [60.257912103351394]
  我々はBIMS-PUと呼ばれる新しいポイント・クラウド・アップサンプリング・パイプラインを開発した。 対象のサンプリング因子を小さな因子に分解することにより,アップ/ダウンサンプリング手順をいくつかのアップ/ダウンサンプリングサブステップに分解する。 提案手法は最先端手法よりも優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-25T13:13:37Z)
• Fitting and recognition of geometric primitives in segmented 3D point clouds using a localized voting procedure [1.8352113484137629]
  投票手順によって各タイプの原始パラメータを初期推定できる点雲処理手法を提案する。 これらの推定値を用いることで、最適解の探索を次元的に還元された空間に局所化し、HT を文献で一般的に見られるものよりもより原始的に拡張することが効率的となる。
  論文  参考訳（メタデータ） (2022-05-30T20:47:43Z)
• Finding Geometric Models by Clustering in the Consensus Space [61.65661010039768]
  本稿では,未知数の幾何学的モデル,例えばホモグラフィーを求めるアルゴリズムを提案する。 複数の幾何モデルを用いることで精度が向上するアプリケーションをいくつか提示する。 これには、複数の一般化されたホモグラフからのポーズ推定、高速移動物体の軌道推定が含まれる。
  論文  参考訳（メタデータ） (2021-03-25T14:35:07Z)
• PointFlow: Flowing Semantics Through Points for Aerial Image Segmentation [96.76882806139251]
  本論文では,FPN(Feature Pyramid Network)フレームワークに基づく点親和性伝播モジュールであるPointFlowを提案する。 密接な親和性学習ではなく、隣接する特徴間の選択された点にスパース親和性マップを生成する。 3つの異なる空中セグメンテーションデータセットの実験結果から,提案手法は最先端の汎用セグメンテーション法よりも効率的かつ効率的であることが示唆された。
  論文  参考訳（メタデータ） (2021-03-11T09:42:32Z)
• 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)
• PatchPerPix for Instance Segmentation [9.62543698736491]
  本手法は, 局所的な局所的な形状記述子を予測し, 実例を生成する手法である。 我々の知る限り,本手法は学習した形状パッチからなるインスタンスを生成できる最初の非定型的手法である。
  論文  参考訳（メタデータ） (2020-01-21T16:06:51Z)

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。