Fugu-MT 論文翻訳(概要): AGConv: Adaptive Graph Convolution on 3D Point Clouds

論文の概要: AGConv: Adaptive Graph Convolution on 3D Point Clouds

arxiv url: http://arxiv.org/abs/2206.04665v1
Date: Thu, 9 Jun 2022 17:58:36 GMT
ステータス: 処理完了
システム内更新日: 2022-06-10 14:39:26.408085
Title: AGConv: Adaptive Graph Convolution on 3D Point Clouds
Title（参考訳）: AGConv: 3Dポイントクラウド上の適応的なグラフ畳み込み
Authors: Mingqiang Wei, Zeyong Wei, Haoran Zhou, Fei Hu, Huajian Si, Zhilei Chen, Zhe Zhu, Jingbo Qiu, Xuefeng Yan, Yanwen Guo, Jun Wang, Jing Qin
Abstract要約: 我々は、ポイントクラウド分析の幅広い応用のための適応グラフ畳み込み(AGConv)を提案する。 AGConvは、動的に学習された特徴に応じて、ポイントの適応カーネルを生成する。提案手法は,様々なベンチマークデータセットにおいて,ポイントクラウド分類とセグメンテーションの最先端性能を向上する。
参考スコア（独自算出の注目度）: 31.763280997642486
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Convolution on 3D point clouds is widely researched yet far from perfect in geometric deep learning. The traditional wisdom of convolution characterises feature correspondences indistinguishably among 3D points, arising an intrinsic limitation of poor distinctive feature learning. In this paper, we propose Adaptive Graph Convolution (AGConv) for wide applications of point cloud analysis. AGConv generates adaptive kernels for points according to their dynamically learned features. Compared with the solution of using fixed/isotropic kernels, AGConv improves the flexibility of point cloud convolutions, effectively and precisely capturing the diverse relations between points from different semantic parts. Unlike the popular attentional weight schemes, AGConv implements the adaptiveness inside the convolution operation instead of simply assigning different weights to the neighboring points. Extensive evaluations clearly show that our method outperforms state-of-the-arts of point cloud classification and segmentation on various benchmark datasets.Meanwhile, AGConv can flexibly serve more point cloud analysis approaches to boost their performance. To validate its flexibility and effectiveness, we explore AGConv-based paradigms of completion, denoising, upsampling, registration and circle extraction, which are comparable or even superior to their competitors. Our code is available at https://github.com/hrzhou2/AdaptConv-master.
Abstract（参考訳）: 三次元点雲上の畳み込みは幾何学的深層学習において完璧とは程遠い研究がなされている。畳み込みの伝統的な知恵は、3Dポイント間で区別がつかない特徴対応を特徴付ける。本稿では,ポイントクラウド解析の幅広い応用のための適応グラフ畳み込み(AGConv)を提案する。 AGConvは、動的に学習された特徴に応じて、ポイントの適応カーネルを生成する。固定/等方性カーネルを使用するソリューションと比較して、agconvはポイントクラウド畳み込みの柔軟性を改善し、異なる意味的な部分からポイント間の多様な関係を効果的かつ正確に捉える。一般的な注意重みスキームとは異なり、AGConvは隣接する点に異なる重みを割り当てるのではなく、畳み込み操作内で適応性を実装する。大規模評価の結果, この手法は様々なベンチマークデータセットにおいて, ポイントクラウド分類とセグメンテーションの最先端性に優れており, その一方でAGConvはよりポイントクラウド分析のアプローチを柔軟に提供し, 性能を向上させることができることがわかった。その柔軟性と有効性を検証するために、我々はAGConvベースの完成、装飾、アップサンプリング、登録、円抽出のパラダイムを探求する。私たちのコードはhttps://github.com/hrzhou2/AdaptConv-masterで利用可能です。

関連論文リスト

PosDiffNet: Positional Neural Diffusion for Point Cloud Registration in a Large Field of View with Perturbations [27.45001809414096]
PosDiffNetは、3Dコンピュータビジョンにおけるポイントクラウド登録のモデルである。ベルトラミフローに基づくグラフニューラル偏微分方程式(PDE)を用いて高次元特徴を求める。我々は、点雲間のアライメントを容易にするために、高特徴類似度スコアから導かれる多レベル対応を用いる。我々はPosDiffNetを複数の3Dポイントクラウドデータセット上で評価し、摂動を伴う広い視野でのポイントクラウド登録において、最先端(SOTA)性能を達成することを検証した。
論文参考訳（メタデータ） (2024-01-06T08:58:15Z)
GQE-Net: A Graph-based Quality Enhancement Network for Point Cloud Color Attribute [51.4803148196217]
本稿では,点雲の色歪みを低減するため,グラフベースの品質向上ネットワーク(GQE-Net)を提案する。 GQE-Netは、幾何学情報を補助入力とグラフ畳み込みブロックとして使用し、局所的な特徴を効率的に抽出する。実験結果から,本手法は最先端性能を実現することが示された。
論文参考訳（メタデータ） (2023-03-24T02:33:45Z)
Data Augmentation-free Unsupervised Learning for 3D Point Cloud Understanding [61.30276576646909]
ソフトクラスタリング(SoftClu)と呼ばれる,移動可能な点レベルの特徴を学習するための,ポイントクラウドに対する拡張不要な教師なしアプローチを提案する。我々は,クラスタに対するポイントのアフィリエイトをプロキシとして利用し,擬似ラベル予測タスクを通じて自己学習を可能にする。
論文参考訳（メタデータ） (2022-10-06T10:18:16Z)
IDEA-Net: Dynamic 3D Point Cloud Interpolation via Deep Embedding Alignment [58.8330387551499]
我々は、点方向軌跡(すなわち滑らかな曲線)の推定として問題を定式化する。本稿では,学習した時間的一貫性の助けを借りて問題を解消する,エンドツーエンドのディープラーニングフレームワークであるIDEA-Netを提案する。各種点群における本手法の有効性を実証し, 定量的かつ視覚的に, 最先端の手法に対する大幅な改善を観察する。
論文参考訳（メタデータ） (2022-03-22T10:14:08Z)
Differentiable Convolution Search for Point Cloud Processing [114.66038862207118]
本稿では,点雲上での新しい差分畳み込み探索パラダイムを提案する。純粋にデータ駆動型であり、幾何学的形状モデリングに適した畳み込みのグループを自動生成することができる。また,内部畳み込みと外部アーキテクチャの同時探索のための共同最適化フレームワークを提案する。
論文参考訳（メタデータ） (2021-08-29T14:42:03Z)
Adaptive Graph Convolution for Point Cloud Analysis [25.175406613705274]
本稿では,動的に学習した特徴に応じて適応的なカーネルを生成する適応グラフ畳み込み(Adaptive Graph Convolution, AdaptConv)を提案する。提案手法は,いくつかのベンチマークデータセットにおいて,最先端のクラウド分類とセグメンテーションアプローチより優れている。
論文参考訳（メタデータ） (2021-08-18T08:38:52Z)
Dynamic Convolution for 3D Point Cloud Instance Segmentation [146.7971476424351]
動的畳み込みに基づく3次元点雲からのインスタンスセグメンテーション手法を提案する。我々は、同じ意味圏と閉投票を持つ等質点を幾何学的遠近点に対して収集する。提案手法は提案不要であり、代わりに各インスタンスの空間的および意味的特性に適応する畳み込みプロセスを利用する。
論文参考訳（メタデータ） (2021-07-18T09:05:16Z)
The Devils in the Point Clouds: Studying the Robustness of Point Cloud Convolutions [15.997907568429177]
本稿では,点群上の畳み込みネットワークであるPointConvの異なる変種を調査し,入力スケールと回転変化に対する堅牢性を検討する。 3次元幾何学的性質をpointconvへの入力として利用し,新しい視点不変ディスクリプタを導出する。 2D MNIST & CIFAR-10データセットと3D Semantic KITTI & ScanNetデータセットで実験が行われた。
論文参考訳（メタデータ） (2021-01-19T19:32:38Z)
MG-SAGC: A multiscale graph and its self-adaptive graph convolution network for 3D point clouds [6.504546503077047]
点群の多スケールグラフ生成法を提案する。このアプローチは、ポイントクラウドを、スケール空間におけるポイントクラウドのマルチスケール分析をサポートする構造化マルチスケールグラフ形式に変換する。従来の畳み込みニューラルネットワークは不規則な近傍を持つグラフデータには適用できないため,チェビシェフグラフを用いて不規則な畳み込みフィルタに適合するセフ適応畳み込みカーネルを提案する。
論文参考訳（メタデータ） (2020-12-23T01:58:41Z)
DV-ConvNet: Fully Convolutional Deep Learning on Point Clouds with Dynamic Voxelization and 3D Group Convolution [0.7340017786387767]
3次元点雲の解釈は、成分点のランダム性と空間性のために難しい課題である。本研究では,効率的な3Dポイントクラウド解釈に向けて,標準的な3Dコンボリューションに注意を向ける。我々のネットワークは、非常に高速に動作し、収束することができるが、いくつかのベンチマークデータセットの最先端の手法と比較して、オンパーまたはさらにパフォーマンスが向上する。
論文参考訳（メタデータ） (2020-09-07T07:45:05Z)
Permutation Matters: Anisotropic Convolutional Layer for Learning on Point Clouds [145.79324955896845]
本稿では,各点のソフトな置換行列を計算する変分異方性畳み込み演算(PAI-Conv)を提案する。点雲の実験により、PAI-Convは分類とセマンティックセグメンテーションのタスクにおいて競合する結果をもたらすことが示された。
論文参考訳（メタデータ） (2020-05-27T02:42:29Z)

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。