論文の概要: Advanced Feature Learning on Point Clouds using Multi-resolution Features and Learnable Pooling

• arxiv url: http://arxiv.org/abs/2205.09962v1
• Date: Fri, 20 May 2022 04:50:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-23 15:16:36.903151
• Title: Advanced Feature Learning on Point Clouds using Multi-resolution Features and Learnable Pooling
• Title（参考訳）: マルチレゾリューション機能と学習可能なポーリングを用いたポイントクラウドの高度な特徴学習
• Authors: Kevin Tirta Wijaya, Dong-Hee Paek, Seung-Hyun Kong
• Abstract要約: マルチレゾリューション機能学習と学習可能なプールを用いた,新たなポイントクラウド機能学習ネットワークであるPointStackを提案する。 最後の集約されたポイント機能は、ポイントクラウドのグローバルコンテキストとローカルコンテキストの両方を効果的に表現することができる。
• 参考スコア（独自算出の注目度）: 1.6832237384792461
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Existing point cloud feature learning networks often incorporate sequences of sampling, neighborhood grouping, neighborhood-wise feature learning, and feature aggregation to learn high-semantic point features that represent the global context of a point cloud. Unfortunately, the compounded loss of information concerning granularity and non-maximum point features due to sampling and max pooling could adversely affect the high-semantic point features from existing networks such that they are insufficient to represent the local context of a point cloud, which in turn may hinder the network in distinguishing fine shapes. To cope with this problem, we propose a novel point cloud feature learning network, PointStack, using multi-resolution feature learning and learnable pooling (LP). The multi-resolution feature learning is realized by aggregating point features of various resolutions in the multiple layers, so that the final point features contain both high-semantic and high-resolution information. On the other hand, the LP is used as a generalized pooling function that calculates the weighted sum of multi-resolution point features through the attention mechanism with learnable queries, in order to extract all possible information from all available point features. Consequently, PointStack is capable of extracting high-semantic point features with minimal loss of information concerning granularity and non-maximum point features. Therefore, the final aggregated point features can effectively represent both global and local contexts of a point cloud. In addition, both the global structure and the local shape details of a point cloud can be well comprehended by the network head, which enables PointStack to advance the state-of-the-art of feature learning on point clouds. The codes are available at https://github.com/kaist-avelab/PointStack.
• Abstract（参考訳）: 既存のポイントクラウドの特徴学習ネットワークには、サンプリング、近隣グループ化、近隣機能学習、およびポイントクラウドのグローバルなコンテキストを表す高セマンティックな特徴を学習するための特徴集約といったシーケンスが組み込まれていることが多い。 不運なことに、サンプリングと最大プーリングによる粒度や非最大点の特徴に関する情報の複合的喪失は、点雲の局所的な文脈を表現できないような既存のネットワークからの高意味点の特徴に悪影響を及ぼす可能性があるため、ネットワークが微細な形状を区別することを妨げかねない。 この問題に対処するために,マルチレゾリューション機能学習と学習可能なプール(LP)を用いた新しいポイントクラウド機能学習ネットワークであるPointStackを提案する。 複数層における様々な解像度の点特徴を集約することで多分解能特徴学習を実現し、最終点特徴が高セマンティック情報と高分解能情報の両方を含むようにした。 一方、lpは、学習可能なクエリによるアテンション機構を通じてマルチレゾリューションポイント特徴の重み付け和を計算する一般化されたプーリング関数として用いられ、利用可能なすべてのポイント特徴から可能なすべての情報を抽出する。 その結果、PointStackは、粒度や非最大点の特徴に関する情報の最小限の損失で、高セマンティックな特徴を抽出できる。 したがって、最終的な集約ポイント機能は、ポイントクラウドのグローバルコンテキストとローカルコンテキストの両方を効果的に表現することができる。 さらに、ポイントクラウドのグローバル構造と局所的な形状の詳細の両方をネットワークヘッドによって適切に解釈することができ、ポイントStackはポイントクラウドにおける機能学習の最先端を前進させることができる。 コードはhttps://github.com/kaist-avelab/pointstackで入手できる。

関連論文リスト

• PointCFormer: a Relation-based Progressive Feature Extraction Network for Point Cloud Completion [19.503392612245474]
  ポイントクラウドの完成は、不完全なポイントクラウドから完全な3D形状を再構築することを目的としている。 PointCFormerは,ロバストなグローバル保持と正確な局所的詳細キャプチャに最適化されたトランスフォーマーフレームワークである。 PointCFormerは、広く使用されているベンチマークで最先端のパフォーマンスを示す。
  論文  参考訳（メタデータ） (2024-12-11T14:37:21Z)
• Mitigating Prior Shape Bias in Point Clouds via Differentiable Center Learning [19.986150101882217]
  微分可能中心サンプリングネットワーク(DCS-Net)と呼ばれる新しいソリューションを導入する。 グローバルな特徴再構成とローカルな特徴再構成の両方を非自明なプロキシタスクとして組み込むことで,情報漏洩問題に対処する。 実験により,本手法は既存の点雲モデルの表現能力を向上することを示した。
  論文  参考訳（メタデータ） (2024-02-03T08:58:23Z)
• Bidirectional Knowledge Reconfiguration for Lightweight Point Cloud Analysis [74.00441177577295]
  ポイントクラウド分析は計算システムのオーバーヘッドに直面し、モバイルやエッジデバイスでの利用を制限する。 本稿では,軽量点雲モデルのための特徴蒸留について検討する。 本研究では,教師から生徒への情報的文脈的知識を抽出するための双方向知識再構成を提案する。
  論文  参考訳（メタデータ） (2023-10-08T11:32:50Z)
• D-Net: Learning for Distinctive Point Clouds by Self-Attentive Point Searching and Learnable Feature Fusion [48.57170130169045]
  我々は,自己注意点探索と学習可能な特徴融合に基づいて,特徴点雲を学習するためのD-Netを提案する。 各特徴点集合に対してコンパクトな特徴表現を生成するために,その特徴を抽出するために,積み重ねられた自己ゲート畳み込みを提案する。 その結果、学習した点雲の区別分布は、同じクラスのオブジェクトと高度に一致し、他のクラスのオブジェクトと異なることが明らかとなった。
  論文  参考訳（メタデータ） (2023-05-10T02:19:00Z)
• Dynamic Local Feature Aggregation for Learning on Point Clouds [15.595200007614274]
  本研究では,空間制約を伴わずに特徴領域の局所グラフを構築して情報伝達を行う動的特徴集約(DFA)手法を提案する。 我々は,ポイントクラウド分類とセグメンテーションタスクの広範な実験を行うことにより,本手法の優位性を実証する。
  論文  参考訳（メタデータ） (2023-01-07T12:18:08Z)
• Self-Sampling for Neural Point Cloud Consolidation [83.31236364265403]
  本稿では,入力点クラウドのみから学習するニューラルポイントクラウドの統合技術を紹介する。 入力ポイントクラウドを、ディープニューラルネットワークのトレーニングに使用するグローバルサブセットで、繰り返し自己サンプルします。 様々な形状から点集合を集約する能力を示すとともに,出力器やノイズを除去する能力を示す。
  論文  参考訳（メタデータ） (2020-08-14T17:16:02Z)
• Point Cloud Completion by Learning Shape Priors [74.80746431691938]
  形状の先行には、完全点雲と部分点雲の両方の幾何学的情報が含まれる。 完全点から先行する形状を学習するための特徴アライメント戦略を設計し、微細な段階で部分的な事前を組み込むための粗い微妙な戦略を設計する。 我々はポイントクラウド完了タスクで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-08-02T04:00:32Z)
• Point Cloud Completion by Skip-attention Network with Hierarchical Folding [61.59710288271434]
  本研究では,3Dポイントクラウド補完のためのSkip-Attention Network (SA-Net)を提案する。 まず,不完全点雲の局所構造を効果的に活用するためのスキップアテンション機構を提案する。 第二に、異なる解像度でスキップアテンション機構によって符号化された選択された幾何情報を完全に活用するために、新しい構造保存デコーダを提案する。
  論文  参考訳（メタデータ） (2020-05-08T06:23:51Z)
• Cascaded Refinement Network for Point Cloud Completion [74.80746431691938]
  本稿では,細かな物体形状を合成するための粗大な戦略とともに,カスケード型精細化ネットワークを提案する。 部分入力の局所的な詳細と大域的な形状情報を合わせて考えると、既存の詳細を不完全点集合に保存することができる。 また、各局所領域が同じパターンと基底的真理を持つことを保証し、複雑な点分布を学習するパッチ判別器を設計する。
  論文  参考訳（メタデータ） (2020-04-07T13:03:29Z)

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。