論文の概要: 3D-model ShapeNet Core Classification using Meta-Semantic Learning

• arxiv url: http://arxiv.org/abs/2205.15869v1
• Date: Sat, 28 May 2022 15:40:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-04 19:42:11.363167
• Title: 3D-model ShapeNet Core Classification using Meta-Semantic Learning
• Title（参考訳）: メタセマンティクス学習を用いた3dモデルシェープネットコア分類
• Authors: Farid Ghareh Mohammadi, Cheng Chen, Farzan Shenavarmasouleh, M. Hadi Amini, Beshoy Morkos, and Hamid R. Arabnia
• Abstract要約: 与えられた3次元データポイントのセマンティック次元を研究し,メタセマンティックラーニング(Meta-SeL)と呼ばれる効率的な手法を提案する。 その結果,Meta-SeLは他の複雑な最先端技術と比較すると,競争性能が向上することが示唆された。 ランダムシャッフル不変であるMeta-SeLは、ジッタリングノイズと同様に翻訳に耐性がある。
• 参考スコア（独自算出の注目度）: 3.6155032398048297
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding 3D point cloud models for learning purposes has become an imperative challenge for real-world identification such as autonomous driving systems. A wide variety of solutions using deep learning have been proposed for point cloud segmentation, object detection, and classification. These methods, however, often require a considerable number of model parameters and are computationally expensive. We study a semantic dimension of given 3D data points and propose an efficient method called Meta-Semantic Learning (Meta-SeL). Meta-SeL is an integrated framework that leverages two input 3D local points (input 3D models and part-segmentation labels), providing a time and cost-efficient, and precise projection model for a number of 3D recognition tasks. The results indicate that Meta-SeL yields competitive performance in comparison with other complex state-of-the-art work. Moreover, being random shuffle invariant, Meta-SeL is resilient to translation as well as jittering noise.
• Abstract（参考訳）: 学習目的の3dポイントクラウドモデルを理解することは、自動運転システムのような現実世界の識別に必須の課題となっている。 深層学習を用いた様々なソリューションが、ポイントクラウドセグメンテーション、オブジェクト検出、分類のために提案されている。 しかし、これらの手法はしばしばかなりの数のモデルパラメータを必要とし、計算コストが高い。 与えられた3次元データポイントのセマンティック次元を研究し,メタセマンティックラーニング(Meta-SeL)と呼ばれる効率的な手法を提案する。 Meta-SeLは2つの入力された3Dローカルポイント(入力3Dモデルと部分分割ラベル)を活用する統合フレームワークであり、多くの3D認識タスクに対して時間とコスト効率と正確なプロジェクションモデルを提供する。 その結果,Meta-SeLは他の複雑な最先端技術と比較して競争性能が向上することが示された。 さらに、ランダムシャッフル不変であるMeta-SeLは、ジッタリングノイズと同様に翻訳にも耐性がある。

関連論文リスト

• Leveraging Large-Scale Pretrained Vision Foundation Models for Label-Efficient 3D Point Cloud Segmentation [67.07112533415116]
  本稿では3Dポイントクラウドセグメンテーションタスクに様々な基礎モデルを適用する新しいフレームワークを提案する。 我々のアプローチでは、異なる大きな視覚モデルを用いて2次元セマンティックマスクの初期予測を行う。 本研究では,ロバストな3Dセマンティックな擬似ラベルを生成するために,投票による全ての結果を効果的に組み合わせたセマンティックなラベル融合戦略を提案する。
  論文  参考訳（メタデータ） (2023-11-03T15:41:15Z)
• SL3D: Self-supervised-Self-labeled 3D Recognition [89.19932178712065]
  自己教師付き自己ラベル型3D認識(SL3D)フレームワークを提案する。 SL3Dはクラスタリングと学習機能表現という2つの結合した目的を同時に解決する。 分類、オブジェクト検出、セマンティックセグメンテーションなど、さまざまな3D認識タスクに応用することができる。
  論文  参考訳（メタデータ） (2022-10-30T11:08:25Z)
• Number-Adaptive Prototype Learning for 3D Point Cloud Semantic Segmentation [46.610620464184926]
  セマンティッククラス内の異なる点パターンを動的に記述するために,適応的なプロトタイプ数を提案する。 本手法は,ポイントワイド分類パラダイムに基づくベースラインモデルよりも2.3%mIoUの改善を実現する。
  論文  参考訳（メタデータ） (2022-10-18T15:57:20Z)
• PointInst3D: Segmenting 3D Instances by Points [136.7261709896713]
  本稿では,ポイント単位の予測方式で機能する,完全畳み込み型3Dポイントクラウドインスタンスセグメンテーション手法を提案する。 その成功の鍵は、各サンプルポイントに適切なターゲットを割り当てることにある。 提案手法はScanNetとS3DISのベンチマークで有望な結果が得られる。
  論文  参考訳（メタデータ） (2022-04-25T02:41:46Z)
• Semi-supervised 3D shape segmentation with multilevel consistency and part substitution [21.075426681857024]
  本稿では,ラベル付3次元形状とラベル付3次元データの量から3次元分割を効果的に学習するための半教師付き手法を提案する。 ラベルのないデータに対して,3次元形状の摂動コピー間のネットワーク予測の整合性を確保するために,新しい多レベル整合性損失を提案する。 ラベル付きデータに対して,より構造的な変化を伴ってラベル付き3次元形状を増強し,トレーニングを強化するシンプルな部分置換法を開発した。
  論文  参考訳（メタデータ） (2022-04-19T11:48:24Z)
• MetaSets: Meta-Learning on Point Sets for Generalizable Representations [100.5981809166658]
  本稿では,3次元領域一般化(DDG)の新たな課題について検討し,学習過程においてそれらにアクセスすることなく,他の目に見えない点雲の領域にモデルを一般化することを目的とする。 本稿ではメタセットを用いてこの問題に対処することを提案する。メタ学習は、慎重に設計された変換された点集合上の分類タスク群からポイントクラウド表現を抽出する。 実験結果から,MetaSetsは既存の3次元深層学習手法よりも大きなマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2022-04-15T03:24:39Z)
• Multimodal Semi-Supervised Learning for 3D Objects [19.409295848915388]
  本稿では,3次元の分類処理と検索処理の両方において,異なる3次元データのモデルのコヒーレンスを用いてデータ効率を向上させる方法について検討する。 本稿では、インスタンスレベルの一貫性制約を導入し、新しいマルチモーダル・コントラッシブ・プロトタイプ(M2CP)の損失を減らし、新しいマルチモーダル・セミ教師付き学習フレームワークを提案する。 提案するフレームワークは,モデルNet10およびモデルNet40データセットにおいて,分類タスクと検索タスクの両方において,最先端のすべての処理性能を大幅に上回っている。
  論文  参考訳（メタデータ） (2021-10-22T05:33:16Z)
• ICM-3D: Instantiated Category Modeling for 3D Instance Segmentation [19.575077449759377]
  Instaniated categorization を用いて3Dインスタンスを分割するシングルステップ手法 ICM-3D を提案する。 我々は、ICM-3Dの有効性を検証するための広範な実験を行い、複数のフレームワーク、バックボーン、ベンチマークにまたがるインスピレーションされた性能が得られることを示す。
  論文  参考訳（メタデータ） (2021-08-26T13:08:37Z)
• Learning Feature Aggregation for Deep 3D Morphable Models [57.1266963015401]
  階層レベルで機能集約を向上するためのマッピング行列を学習するための注意に基づくモジュールを提案する。 実験の結果,マッピング行列のエンドツーエンドトレーニングにより,様々な3次元形状データセットの最先端結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-05-05T16:41:00Z)
• PerMO: Perceiving More at Once from a Single Image for Autonomous Driving [76.35684439949094]
  単一画像から完全テクスチャ化された車両の3次元モデルを検出し,セグメント化し,再構成する新しい手法を提案する。 私たちのアプローチは、ディープラーニングの強みと従来のテクニックの優雅さを組み合わせています。 我々はこれらのアルゴリズムを自律運転システムに統合した。
  論文  参考訳（メタデータ） (2020-07-16T05:02:45Z)
• 3D-MiniNet: Learning a 2D Representation from Point Clouds for Fast and Efficient 3D LIDAR Semantic Segmentation [9.581605678437032]
  3D-MiniNetは、3Dと2Dの学習層を組み合わせたLIDARセマンティックセグメンテーションの新しいアプローチである。 まず,3次元データから局所的およびグローバル的情報を抽出する新しいプロジェクションにより,原点から2次元表現を学習する。 これらの2Dセマンティックラベルは、3D空間に再プロジェクションされ、後処理モジュールを通じて拡張される。
  論文  参考訳（メタデータ） (2020-02-25T14:33:50Z)

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。