論文の概要: Continual learning on 3D point clouds with random compressed rehearsal

• arxiv url: http://arxiv.org/abs/2205.08013v1
• Date: Mon, 16 May 2022 22:59:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-18 23:32:32.703569
• Title: Continual learning on 3D point clouds with random compressed rehearsal
• Title（参考訳）: ランダム圧縮リハーサルによる3次元点雲の連続学習
• Authors: Maciej Zamorski, Micha{\l} Stypu{\l}kowski, Konrad Karanowski, Tomasz Trzci\'nski, Maciej Zi\k{e}ba
• Abstract要約: 本研究では,3Dポイントクラウドデータ上で連続学習が可能なニューラルネットワークアーキテクチャを提案する。 我々は,過去のデータを強く圧縮した集合を保存するために,点雲構造特性を利用する。
• 参考スコア（独自算出の注目度）: 10.667104977730304
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Contemporary deep neural networks offer state-of-the-art results when applied to visual reasoning, e.g., in the context of 3D point cloud data. Point clouds are important datatype for precise modeling of three-dimensional environments, but effective processing of this type of data proves to be challenging. In the world of large, heavily-parameterized network architectures and continuously-streamed data, there is an increasing need for machine learning models that can be trained on additional data. Unfortunately, currently available models cannot fully leverage training on additional data without losing their past knowledge. Combating this phenomenon, called catastrophic forgetting, is one of the main objectives of continual learning. Continual learning for deep neural networks has been an active field of research, primarily in 2D computer vision, natural language processing, reinforcement learning, and robotics. However, in 3D computer vision, there are hardly any continual learning solutions specifically designed to take advantage of point cloud structure. This work proposes a novel neural network architecture capable of continual learning on 3D point cloud data. We utilize point cloud structure properties for preserving a heavily compressed set of past data. By using rehearsal and reconstruction as regularization methods of the learning process, our approach achieves a significant decrease of catastrophic forgetting compared to the existing solutions on several most popular point cloud datasets considering two continual learning settings: when a task is known beforehand, and in the challenging scenario of when task information is unknown to the model.
• Abstract（参考訳）: 現代のディープニューラルネットワークは、例えば3dポイントクラウドデータの文脈で、視覚推論に適用した場合に最先端の結果を提供する。 ポイントクラウドは3次元環境の正確なモデリングのための重要なデータタイプであるが、この種のデータの効果的な処理は困難である。 大規模でパラメータの高いネットワークアーキテクチャと継続的にストリーミングされるデータの世界では、追加データに基づいてトレーニング可能な機械学習モデルの必要性が高まっている。 残念なことに、現在利用可能なモデルは、過去の知識を失うことなく、追加データのトレーニングを完全に活用できない。 破滅的な忘れ」と呼ばれるこの現象と戦うことは、継続的な学習の主な目的の1つである。 ディープニューラルネットワークの継続的学習は、主に2dコンピュータビジョン、自然言語処理、強化学習、ロボット工学において、活発な研究分野である。 しかし、3Dコンピュータビジョンでは、ポイントクラウド構造を利用するために特別に設計された連続的な学習ソリューションはほとんどない。 本研究では,3Dポイントクラウドデータ上で連続学習が可能なニューラルネットワークアーキテクチャを提案する。 我々は,過去データの圧縮された集合を保存するために点雲構造特性を利用する。 学習プロセスのレギュライゼーション方法としてリハーサルとリコンストラクションを用いることで、タスクが事前に分かっている場合と、モデルにタスク情報が不明な場合の困難なシナリオという、2つの連続学習設定を考慮した、最もポピュラーなポイントクラウドデータセットの既存のソリューションと比較して、壊滅的な忘れ方を大幅に減らすことができる。

関連論文リスト

• Deep Learning-based 3D Point Cloud Classification: A Systematic Survey and Outlook [12.014972829130764]
  本稿では,ポイントクラウドの獲得,特徴,課題を紹介する。 我々は3Dデータ表現、ストレージフォーマット、およびポイントクラウド分類のための一般的に使用されるデータセットについてレビューする。
  論文  参考訳（メタデータ） (2023-11-05T09:28:43Z)
• AutoSynth: Learning to Generate 3D Training Data for Object Point Cloud Registration [69.21282992341007]
  Auto Synthは、ポイントクラウド登録のための3Dトレーニングデータを自動的に生成する。 私たちはポイントクラウド登録ネットワークをもっと小さなサロゲートネットワークに置き換え、4056.43$のスピードアップを実現しました。 TUD-L,LINEMOD,Occluded-LINEMODに関する我々の研究結果は,検索データセットでトレーニングされたニューラルネットワークが,広く使用されているModelNet40データセットでトレーニングされたニューラルネットワークよりも一貫してパフォーマンスが向上していることを示す。
  論文  参考訳（メタデータ） (2023-09-20T09:29:44Z)
• Explore In-Context Learning for 3D Point Cloud Understanding [71.20912026561484]
  我々は,特に3Dポイントクラウドにおけるコンテキスト内学習のために設計された,ポイント・イン・コンテキストという新しいフレームワークを紹介した。 一般点サンプリング演算子とタンデムで協調して動作するように慎重に設計したJoint Smplingモジュールを提案する。 提案手法の汎用性と適応性を検証するため,幅広いタスクを扱うための広範囲な実験を行った。
  論文  参考訳（メタデータ） (2023-06-14T17:53:21Z)
• A Survey of Label-Efficient Deep Learning for 3D Point Clouds [109.07889215814589]
  本稿では,点雲のラベル効率学習に関する包括的調査を行う。 本稿では,ラベルの種類によって提供されるデータ前提条件に基づいて,ラベル効率のよい学習手法を整理する分類法を提案する。 それぞれのアプローチについて、問題設定の概要と、関連する進展と課題を示す広範な文献レビューを提供する。
  論文  参考訳（メタデータ） (2023-05-31T12:54:51Z)
• Self-supervised Learning for Pre-Training 3D Point Clouds: A Survey [25.51613543480276]
  近年,自己管理型ポイントクラウド表現学習が注目されている。 本稿では,DNNを用いた自己教師型ポイントクラウド表現学習に関する包括的調査を行う。
  論文  参考訳（メタデータ） (2023-05-08T13:20:55Z)
• Self-Supervised Learning with Multi-View Rendering for 3D Point Cloud Analysis [33.31864436614945]
  本稿では,3次元点雲モデルのための新しい事前学習手法を提案する。 我々の事前訓練は、局所的なピクセル/ポイントレベルの対応損失と、大域的な画像/ポイントの雲のレベル損失によって自己管理される。 これらの改善されたモデルは、さまざまなデータセットや下流タスクにおける既存の最先端メソッドよりも優れています。
  論文  参考訳（メタデータ） (2022-10-28T05:23:03Z)
• Learning-based Point Cloud Registration for 6D Object Pose Estimation in the Real World [55.7340077183072]
  我々は、ポイントクラウドデータからオブジェクトの6Dポーズを推定するタスクに取り組む。 この課題に対処する最近の学習ベースのアプローチは、合成データセットにおいて大きな成功を収めている。 これらの障害の原因を分析し、ソースとターゲットポイントの雲の特徴分布の違いに遡る。
  論文  参考訳（メタデータ） (2022-03-29T07:55:04Z)
• 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)
• Review: deep learning on 3D point clouds [9.73176900969663]
  ポイントクラウドは3D表現のための最も重要なデータフォーマットの1つである。 ディープラーニングは現在、コンピュータビジョンにおけるデータ処理の最も強力なツールです。
  論文  参考訳（メタデータ） (2020-01-17T12:55:23Z)
• Deep Learning for 3D Point Clouds: A Survey [58.954684611055]
  本稿では,ポイントクラウドにおけるディープラーニング手法の最近の進歩を概観する。 3D形状分類、3Dオブジェクトの検出と追跡、3Dポイントクラウドセグメンテーションを含む3つの主要なタスクをカバーしている。 また、いくつかの公開データセットで比較結果を提示する。
  論文  参考訳（メタデータ） (2019-12-27T09:15:54Z)

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。