論文の概要: Learning Local Displacements for Point Cloud Completion

• arxiv url: http://arxiv.org/abs/2203.16600v1
• Date: Wed, 30 Mar 2022 18:31:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-01 13:20:28.882620
• Title: Learning Local Displacements for Point Cloud Completion
• Title（参考訳）: Point Cloud Completionのためのローカル変位の学習
• Authors: Yida Wang, David Joseph Tan, Nassir Navab, Federico Tombari
• Abstract要約: 本稿では,3次元点雲として表現された部分的スキャンからオブジェクトとセマンティックシーンを補完する手法を提案する。 アーキテクチャはエンコーダ-デコーダ構造内で連続的に使用される3つの新しいレイヤに依存している。 オブジェクトと屋内の両方のシーン完了タスクにおけるアーキテクチャの評価を行い、最先端の性能を実現する。
• 参考スコア（独自算出の注目度）: 93.54286830844134
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a novel approach aimed at object and semantic scene completion from a partial scan represented as a 3D point cloud. Our architecture relies on three novel layers that are used successively within an encoder-decoder structure and specifically developed for the task at hand. The first one carries out feature extraction by matching the point features to a set of pre-trained local descriptors. Then, to avoid losing individual descriptors as part of standard operations such as max-pooling, we propose an alternative neighbor-pooling operation that relies on adopting the feature vectors with the highest activations. Finally, up-sampling in the decoder modifies our feature extraction in order to increase the output dimension. While this model is already able to achieve competitive results with the state of the art, we further propose a way to increase the versatility of our approach to process point clouds. To this aim, we introduce a second model that assembles our layers within a transformer architecture. We evaluate both architectures on object and indoor scene completion tasks, achieving state-of-the-art performance.
• Abstract（参考訳）: 本稿では,3Dポイントクラウドとして表現された部分スキャンからオブジェクトとセマンティックシーンを補完する手法を提案する。 アーキテクチャは,エンコーダ-デコーダ構造内で連続的に使用される3つの新しいレイヤに依存し,そのタスクのために特別に開発された。 第1の方法は、事前訓練されたローカルディスクリプタのセットにポイント特徴をマッチングして特徴抽出を行う。 次に,max-poolingなどの標準動作の一部として個々のディスクリプタを失うのを避けるために,最もアクティベーションの高い特徴ベクトルを採用することに依存する別の隣接プール操作を提案する。 最後に、デコーダのアップサンプリングは、出力寸法を増やすために特徴抽出を修飾します。 このモデルはすでに最先端技術で競争力のある結果を得ることができるが、我々はさらに、プロセスポイントクラウドに対するアプローチの汎用性を高める方法を提案している。 この目的のために,トランスアーキテクチャ内にレイヤを組み立てる第2のモデルを導入する。 オブジェクトと屋内シーンのコンプリートタスクの両方のアーキテクチャを評価し,最先端のパフォーマンスを実現する。

関連論文リスト

• PointHR: Exploring High-Resolution Architectures for 3D Point Cloud Segmentation [77.44144260601182]
  3Dポイントクラウドセグメンテーションのための高分解能アーキテクチャについて検討する。 我々は、特徴抽出のためのknnベースのシーケンス演算子と差分再サンプリング演算子を含む、PointHRという名前の統一パイプラインを提案する。 S3DISとScanNetV2データセットを用いて,これらのアーキテクチャを高密度点雲解析のために評価する。
  論文  参考訳（メタデータ） (2023-10-11T09:29:17Z)
• CloudAttention: Efficient Multi-Scale Attention Scheme For 3D Point Cloud Learning [81.85951026033787]
  この作業にトランスフォーマーをセットし、それらを形状分類と部分およびシーンセグメンテーションのための階層的なフレームワークに組み込む。 また、各イテレーションにおけるサンプリングとグループ化を活用して、効率的でダイナミックなグローバルなクロスアテンションを計算します。 提案した階層モデルは,最先端の形状分類を平均精度で達成し,従来のセグメンテーション法と同等の結果を得る。
  論文  参考訳（メタデータ） (2022-07-31T21:39:15Z)
• Topologically Persistent Features-based Object Recognition in Cluttered Indoor Environments [1.2691047660244335]
  見えない屋内環境における隠蔽物体の認識は、移動ロボットにとって困難な問題である。 本研究では,物体点雲の3次元形状を捉えるスライシングに基づく新しいトポロジカルディスクリプタを提案する。 これは、隠蔽対象のディスクリプタとそれに対応する非隠蔽対象との類似性を生じさせ、オブジェクトのユニティに基づく認識を可能にする。
  論文  参考訳（メタデータ） (2022-05-16T07:01:16Z)
• SoftPool++: An Encoder-Decoder Network for Point Cloud Completion [93.54286830844134]
  本稿では,ポイントクラウド完了作業のための新しい畳み込み演算子を提案する。 提案した演算子は、最大プールやボキセル化操作を一切必要としない。 提案手法は,低解像度・高解像度の形状仕上げにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-08T15:31:36Z)
• Deep Point Cloud Reconstruction [74.694733918351]
  3Dスキャンから得られる点雲は、しばしばスパース、ノイズ、不規則である。 これらの問題に対処するため、最近の研究は別々に行われ、不正確な点雲を密度化、復調し、完全な不正確な点雲を観測している。 本研究では,1) 初期密度化とデノナイズのための3次元スパース集積時間ガラスネットワーク,2) 離散ボクセルを3Dポイントに変換するトランスフォーマーによる改良,の2段階からなる深部点雲再構成ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-11-23T07:53:28Z)
• CpT: Convolutional Point Transformer for 3D Point Cloud Processing [10.389972581905]
  CpT: Convolutional Point Transformer - 3Dポイントクラウドデータの非構造化の性質を扱うための新しいディープラーニングアーキテクチャ。 CpTは、既存の注目ベースのConvolutions Neural Networksと、以前の3Dポイントクラウド処理トランスフォーマーの改善である。 我々のモデルは、既存の最先端のアプローチと比較して、様々なポイントクラウド処理タスクの効果的なバックボーンとして機能する。
  論文  参考訳（メタデータ） (2021-11-21T17:45:55Z)
• SoftPoolNet: Shape Descriptor for Point Cloud Completion and Classification [93.54286830844134]
  本稿では,点雲に基づく3次元オブジェクトの補完と分類手法を提案する。 デコーダの段階では,グローバルな活性化エントロピーの最大化を目的とした新しい演算子である地域畳み込みを提案する。 我々は,オブジェクトの完成度や分類,最先端の精度の達成など,異なる3次元タスクに対するアプローチを評価する。
  論文  参考訳（メタデータ） (2020-08-17T14:32:35Z)
• Cloud Transformers: A Universal Approach To Point Cloud Processing Tasks [4.116129791139246]
  深部クラウド処理アーキテクチャのための汎用ビルディングブロックを新たに提案する。 このビルディングブロックは、トランスフォーマーとマルチビュー畳み込みネットワークのアイデアと、標準畳み込み層の効率を組み合わせている。 我々は、識別的(ポイントクラウドのセグメンテーション、ポイントクラウドの分類)と生成的(ポイントクラウドの塗装とイメージベースのポイントクラウドの再構築)の両方のタスクのためのアーキテクチャを構築します。
  論文  参考訳（メタデータ） (2020-07-22T21:09:14Z)

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。