論文の概要: Point is a Vector: A Feature Representation in Point Analysis

• arxiv url: http://arxiv.org/abs/2205.10528v1
• Date: Sat, 21 May 2022 07:40:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-24 18:20:29.680964
• Title: Point is a Vector: A Feature Representation in Point Analysis
• Title（参考訳）: 点がベクトルである:点解析における特徴表現
• Authors: Xin Deng (1), WengYu Zhang (1), Qing Ding (1), XinMing Zhang (1) ((1) University of Science and Technology of China)
• Abstract要約: ポイントMLPは、幾何学的情報が点雲解析における唯一の臨界点ではないことを示唆している。 帰納的バイアスを用いて特徴集約を改善するために,特徴特徴のポイント表現を提案する。 実験の結果,ScanNNデータセットの分類タスクにおける最先端性能は,前回のベストメソッドと比較して1%向上した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The irregularity and disorder of point clouds bring many challenges to point cloud analysis. PointMLP suggests that geometric information is not the only critical point in point cloud analysis. It achieves promising result based on a simple multi-layer perception (MLP) structure with geometric affine module. However, these MLP-like structures aggregate features only with fixed weights, while differences in the semantic information of different point features are ignored. So we propose a novel Point-Vector Representation of the point feature to improve feature aggregation by using inductive bias. The direction of the introduced vector representation can dynamically modulate the aggregation of two point features according to the semantic relationship. Based on it, we design a novel Point2Vector MLP architecture. Experiments show that it achieves state-of-the-art performance on the classification task of ScanObjectNN dataset, with 1% increase, compared with the previous best method. We hope our method can help people better understand the role of semantic information in point cloud analysis and lead to explore more and better feature representations or other ways.
• Abstract（参考訳）: 点雲の不規則性と乱れは、点雲分析に多くの課題をもたらす。 ポイントMLPは、幾何学情報が点雲解析における唯一の臨界点ではないことを示唆している。 幾何学的アフィンモジュールを用いた単純な多層認識(MLP)構造に基づく有望な結果が得られる。 しかし、これらのmlpライクな構造は、一定の重みだけで特徴を集約するが、異なる点特徴のセマンティック情報の違いは無視される。 そこで我々は,インダクティブバイアスを用いて特徴集合を改善するために,新しい点ベクトル表現を提案する。 導入されたベクトル表現の方向は、意味的関係に応じて2点特徴の集約を動的に変調することができる。 そこで我々は,新しいPoint2Vector MLPアーキテクチャを設計した。 実験の結果,ScanObjectNNデータセットの分類タスクにおける最先端性能は,従来のベストメソッドと比較して1%向上した。 この方法では,ポイントクラウド分析における意味情報の役割をより深く理解し,機能表現や他の方法についてより深く探求できることを願っています。

関連論文リスト

• On-the-fly Point Feature Representation for Point Clouds Analysis [7.074010861305738]
  そこで我々は,曲線特徴生成モジュールを通じて,豊富な幾何学的情報を明示的にキャプチャするOn-the-fly Point Feature Representation (OPFR)を提案する。 また、三角形集合に基づく局所座標系を近似した局所参照コンストラクタモジュールを導入する。 OPFRは推論に1.56ms(バニラPFHより65倍速い)と0.012M以上のパラメータしか必要とせず、様々なバックボーン用の汎用的なプラグアンドプレイモジュールとして機能する。
  論文  参考訳（メタデータ） (2024-07-31T04:57:06Z)
• PointRWKV: Efficient RWKV-Like Model for Hierarchical Point Cloud Learning [56.14518823931901]
  NLP分野におけるRWKVモデルから導かれる線形複雑性のモデルであるPointRWKVを提案する。 まず,改良型マルチヘッド行列値状態を用いて,PointRWKVブロック内のグローバル処理機能について検討する。 局所的な幾何学的特徴を同時に抽出するために,グラフ安定化器を用いた固定半径近傍グラフにおいて,点雲を効率的に符号化する並列分岐を設計する。
  論文  参考訳（メタデータ） (2024-05-24T05:02:51Z)
• X-3D: Explicit 3D Structure Modeling for Point Cloud Recognition [73.0588783479853]
  X-3Dは明示的な3D構造モデリング手法である。 入力された3D空間内の明示的な局所構造情報をキャプチャする。 現在の局所領域内のすべての近傍点に対して共有重みを持つ動的カーネルを生成する。
  論文  参考訳（メタデータ） (2024-04-23T13:15:35Z)
• Point Deformable Network with Enhanced Normal Embedding for Point Cloud Analysis [59.12922158979068]
  近年,ポイントクラウド解析において高い性能を示す手法が提案されている。 単純なアーキテクチャは局所的な点群で幾何学的特徴を学ぶことができるが、長距離依存を直接モデル化することができない。 本稿では,表現能力の強い長距離関係を捉えるために,PDNet(Point Deformable Network)を提案する。
  論文  参考訳（メタデータ） (2023-12-20T14:52:07Z)
• Rethinking Network Design and Local Geometry in Point Cloud: A Simple Residual MLP Framework [55.40001810884942]
  我々は、洗練された局所幾何学的抽出器を組み込んだ純粋な残留ネットワークPointMLPを導入するが、それでも非常に競争力がある。 実世界のScanObjectNNデータセットでは,従来のベストメソッドを3.3%の精度で上回ります。 最新のCurveNetと比較して、PointMLPは2倍速く、テストは7倍速く、ModelNet40ベンチマークではより正確である。
  論文  参考訳（メタデータ） (2022-02-15T01:39:07Z)
• UPDesc: Unsupervised Point Descriptor Learning for Robust Registration [54.95201961399334]
  UPDescは、ロバストポイントクラウド登録のためのポイント記述子を学習するための教師なしの方法である。 学習した記述子は既存の教師なし手法よりも優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2021-08-05T17:11:08Z)
• PRIN/SPRIN: On Extracting Point-wise Rotation Invariant Features [91.2054994193218]
  点群解析における回転不変特徴抽出に着目した点集合学習フレームワークPRINを提案する。 さらに、PRINをスパースポイントクラウド上で直接動作するSPRINと呼ばれるスパースバージョンに拡張します。 その結果、ランダムに回転した点群を持つデータセットでは、SPRINはデータ拡張なしで最先端の方法よりも優れたパフォーマンスを発揮します。
  論文  参考訳（メタデータ） (2021-02-24T06:44:09Z)
• ODFNet: Using orientation distribution functions to characterize 3D point clouds [0.0]
  点まわりの点配向分布を利用して、点群の表現力のある局所近傍表現を得ます。 新しい ODFNet モデルは ModelNet40 と ScanObjectNN データセットのオブジェクト分類における最先端の精度を実現する。
  論文  参考訳（メタデータ） (2020-12-08T19:54:20Z)

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。