論文の概要: PointVector: A Vector Representation In Point Cloud Analysis

• arxiv url: http://arxiv.org/abs/2205.10528v3
• Date: Tue, 28 Mar 2023 13:18:22 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-29 19:53:40.410423
• Title: PointVector: A Vector Representation In Point Cloud Analysis
• Title（参考訳）: PointVector:ポイントクラウド分析におけるベクトル表現
• Authors: Xin Deng, WenYu Zhang, Qing Ding, XinMing Zhang
• Abstract要約: ベクトル指向の点集合抽象法を提案し、高次元ベクトルを通して隣接した特徴を集約する。 また、PointNeXtの構造に従うポイントモデルも開発する。 私たちは、簡潔で効果的な特徴表現の探索に役立つことを願っています。
• 参考スコア（独自算出の注目度）: 20.205347956544163
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In point cloud analysis, point-based methods have rapidly developed in recent years. These methods have recently focused on concise MLP structures, such as PointNeXt, which have demonstrated competitiveness with Convolutional and Transformer structures. However, standard MLPs are limited in their ability to extract local features effectively. To address this limitation, we propose a Vector-oriented Point Set Abstraction that can aggregate neighboring features through higher-dimensional vectors. To facilitate network optimization, we construct a transformation from scalar to vector using independent angles based on 3D vector rotations. Finally, we develop a PointVector model that follows the structure of PointNeXt. Our experimental results demonstrate that PointVector achieves state-of-the-art performance $\textbf{72.3\% mIOU}$ on the S3DIS Area 5 and $\textbf{78.4\% mIOU}$ on the S3DIS (6-fold cross-validation) with only $\textbf{58\%}$ model parameters of PointNeXt. We hope our work will help the exploration of concise and effective feature representations. The code will be released soon.
• Abstract（参考訳）: ポイントクラウド分析では,近年,ポイントベース手法が急速に発展している。 これらの手法は、最近、畳み込み構造やトランスフォーマー構造との競合性を実証したPointNeXtのような簡潔なMLP構造に焦点を当てている。 しかし、標準的なMLPは局所的な特徴を効果的に抽出する能力に制限されている。 この制限に対処するために,高次元ベクトルを通して隣接特徴を集約できるベクトル指向点集合抽象化を提案する。 ネットワーク最適化を容易にするために, 3次元ベクトル回転に基づく独立角度を用いたスカラーからベクトルへの変換を行う。 最後に、PointNeXtの構造に従うPointVectorモデルを開発する。 実験の結果,PointVector は S3DIS Area 5 上で,S3DIS 上では $\textbf{72.3\% mIOU}$,S3DIS では $\textbf{78.4\% mIOU}$,PointNeXt のモデルパラメータでは $\textbf{58\%}$ しか得られていないことがわかった。 私たちの仕事が,簡潔で効果的な機能表現の探求に役立てることを願っています。 コードはまもなくリリースされる。

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。