論文の概要: SoftPool++: An Encoder-Decoder Network for Point Cloud Completion

• arxiv url: http://arxiv.org/abs/2205.03899v1
• Date: Sun, 8 May 2022 15:31:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-10 14:14:51.671485
• Title: SoftPool++: An Encoder-Decoder Network for Point Cloud Completion
• Title（参考訳）: SoftPool++: ポイントクラウドコンプリートのためのエンコーダデコーダネットワーク
• Authors: Yida Wang, David Joseph Tan, Nassir Navab, Federico Tombari
• Abstract要約: 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。
• 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 convolutional operator for the task of point cloud completion. One striking characteristic of our approach is that, conversely to related work it does not require any max-pooling or voxelization operation. Instead, the proposed operator used to learn the point cloud embedding in the encoder extracts permutation-invariant features from the point cloud via a soft-pooling of feature activations, which are able to preserve fine-grained geometric details. These features are then passed on to a decoder architecture. Due to the compression in the encoder, a typical limitation of this type of architectures is that they tend to lose parts of the input shape structure. We propose to overcome this limitation by using skip connections specifically devised for point clouds, where links between corresponding layers in the encoder and the decoder are established. As part of these connections, we introduce a transformation matrix that projects the features from the encoder to the decoder and vice-versa. The quantitative and qualitative results on the task of object completion from partial scans on the ShapeNet dataset show that incorporating our approach achieves state-of-the-art performance in shape completion both at low and high resolutions.
• Abstract（参考訳）: 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。 このアプローチの注目すべき特徴は、関連する作業に対して、マックスプールやボクセル化操作は不要であることです。 代わりに、提案する演算子は、細粒度の幾何学的詳細を保存できる機能アクティベーションをソフトプールすることで、エンコーダに埋め込まれた点クラウドを学習するために、点クラウドから置換不変な特徴を抽出する。 これらの機能はデコーダアーキテクチャに渡される。 エンコーダの圧縮のため、この種のアーキテクチャの典型的な制限は、入力形状構造の一部を失う傾向があることである。 本稿では,この制限を点雲用に特別に考案されたスキップ接続を用いて克服し,エンコーダの対応する層とデコーダのリンクを確立することを提案する。 これらの接続の一環として,エンコーダからデコーダ,リバーサに特徴を投影する変換行列を導入する。 shapenetデータセット上の部分スキャンによるオブジェクト補完タスクの定量的・定性的な結果から,このアプローチを組み込むことで,低解像度と高解像度の両方での形状補完における最先端の性能が得られることが示された。

関連論文リスト

• Distributed Semantic Segmentation with Efficient Joint Source and Task Decoding [18.8803233019656]
  ディープニューラルネットワーク(DNN)は、エッジデバイス上のネットワークの一部と、大規模クラウドプラットフォーム上での他部分を実行する。 そこで本研究では,クラウド上のネットワークサイズを小さくする目的で,共同ソースとタスクデコーディングを提案する。 本研究では,分散セマンティックセグメンテーションSOTAを幅広い交差点で実現し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2024-07-15T20:20:04Z)
• Lightweight super resolution network for point cloud geometry compression [34.42460388539782]
  本稿では,軽量超解像ネットワークを利用して点雲形状を圧縮する手法を提案する。 提案手法は,ポイントクラウドをベースポイントクラウドに分解し,元のポイントクラウドを再構築するパターンを含む。 また,MPEG Cat1(Solid)とCat2データセットの圧縮性能について実験を行った。
  論文  参考訳（メタデータ） (2023-11-02T03:34:51Z)
• EPCL: Frozen CLIP Transformer is An Efficient Point Cloud Encoder [60.52613206271329]
  本稿では,冷凍CLIP変換器を用いて高品質のクラウドモデルをトレーニングするための textbfEfficient textbfPoint textbfCloud textbfLearning (EPCL) を提案する。 我々のEPCLは、2D-3Dデータをペア化せずに画像の特徴と点雲の特徴を意味的に整合させることで、2Dと3Dのモダリティを接続する。
  論文  参考訳（メタデータ） (2022-12-08T06:27:11Z)
• SeRP: Self-Supervised Representation Learning Using Perturbed Point Clouds [6.29475963948119]
  SeRPはエンコーダ・デコーダアーキテクチャで構成されており、乱れや破損した点雲を入力として利用する。 トランスフォーマーとPointNetベースのオートエンコーダを使用しました。
  論文  参考訳（メタデータ） (2022-09-13T15:22:36Z)
• Learning Local Displacements for Point Cloud Completion [93.54286830844134]
  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。
  論文  参考訳（メタデータ） (2022-03-30T18:31:37Z)
• Upsampling Autoencoder for Self-Supervised Point Cloud Learning [11.19408173558718]
  人間のアノテーションを使わずに、ポイントクラウド学習のための自己教師付き事前学習モデルを提案する。 アップサンプリング操作は、ポイントクラウドの高レベルセマンティック情報と低レベル幾何情報の両方を捕捉することをネットワークに促す。 我々のUAEは、形状分類、部分分割、点雲アップサンプリングタスクにおいて、従来の最先端手法よりも優れています。
  論文  参考訳（メタデータ） (2022-03-21T07:20:37Z)
• PoinTr: Diverse Point Cloud Completion with Geometry-Aware Transformers [81.71904691925428]
  本稿では,ポイントクラウドの完了をセット・ツー・セットの翻訳問題として再定義する手法を提案する。 我々はまた、ポイントクラウド補完のためにトランスフォーマーエンコーダデコーダアーキテクチャを採用するPoinTrと呼ばれる新しいモデルも設計している。 提案手法は,新しいベンチマークと既存ベンチマークの両方において,最先端の手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2021-08-19T17:58:56Z)
• Dynamic Neural Representational Decoders for High-Resolution Semantic Segmentation [98.05643473345474]
  動的ニューラル表現デコーダ(NRD)と呼ばれる新しいデコーダを提案する。 エンコーダの出力上の各位置がセマンティックラベルの局所的なパッチに対応するので、この研究では、これらの局所的なパッチをコンパクトなニューラルネットワークで表現する。 このニューラル表現により、意味ラベル空間に先行する滑らかさを活用することができ、デコーダをより効率的にすることができる。
  論文  参考訳（メタデータ） (2021-07-30T04:50:56Z)
• Beyond Single Stage Encoder-Decoder Networks: Deep Decoders for Semantic Image Segmentation [56.44853893149365]
  セマンティックセグメンテーションのための単一エンコーダ-デコーダ手法は、セマンティックセグメンテーションの品質とレイヤー数あたりの効率の観点からピークに達している。 そこで本研究では,より多くの情報コンテンツを取得するために,浅層ネットワークの集合を用いたデコーダに基づく新しいアーキテクチャを提案する。 アーキテクチャをさらに改善するために,ネットワークの注目度を高めるために,クラスの再バランスを目的とした重み関数を導入する。
  論文  参考訳（メタデータ） (2020-07-19T18:44:34Z)

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。