論文の概要: PointNeXt: Revisiting PointNet++ with Improved Training and Scaling Strategies

• arxiv url: http://arxiv.org/abs/2206.04670v1
• Date: Thu, 9 Jun 2022 17:59:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-10 15:04:36.796641
• Title: PointNeXt: Revisiting PointNet++ with Improved Training and Scaling Strategies
• Title（参考訳）: PointNeXt: トレーニングとスケーリング戦略を改善したPointNet++の再検討
• Authors: Guocheng Qian, Yuchen Li, Houwen Peng, Jinjie Mai, Hasan Abed Al Kader Hammoud, Mohamed Elhoseiny, Bernard Ghanem
• Abstract要約: 我々は、モデルトレーニングとスケーリング戦略の体系的な研究を通じて、古典的なPointNet++を再考する。 我々は、PointNet++のパフォーマンスを大幅に改善する一連の改善されたトレーニング戦略を提案する。 我々は,効率的なモデルスケーリングを実現するために,逆ボトルネック設計と分離可能なPointNet++を紹介した。
• 参考スコア（独自算出の注目度）: 85.14697849950392
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: PointNet++ is one of the most influential neural architectures for point cloud understanding. Although the accuracy of PointNet++ has been largely surpassed by recent networks such as PointMLP and Point Transformer, we find that a large portion of the performance gain is due to improved training strategies, i.e. data augmentation and optimization techniques, and increased model sizes rather than architectural innovations. Thus, the full potential of PointNet++ has yet to be explored. In this work, we revisit the classical PointNet++ through a systematic study of model training and scaling strategies, and offer two major contributions. First, we propose a set of improved training strategies that significantly improve PointNet++ performance. For example, we show that, without any change in architecture, the overall accuracy (OA) of PointNet++ on ScanObjectNN object classification can be raised from 77.9\% to 86.1\%, even outperforming state-of-the-art PointMLP. Second, we introduce an inverted residual bottleneck design and separable MLPs into PointNet++ to enable efficient and effective model scaling and propose PointNeXt, the next version of PointNets. PointNeXt can be flexibly scaled up and outperforms state-of-the-art methods on both 3D classification and segmentation tasks. For classification, PointNeXt reaches an overall accuracy of $87.7\%$ on ScanObjectNN, surpassing PointMLP by $2.3\%$, while being $10 \times$ faster in inference. For semantic segmentation, PointNeXt establishes a new state-of-the-art performance with $74.9\%$ mean IoU on S3DIS (6-fold cross-validation), being superior to the recent Point Transformer. The code and models are available at https://github.com/guochengqian/pointnext.
• Abstract（参考訳）: PointNet++は、ポイントクラウド理解のための最も影響力のあるニューラルネットワークの1つである。 PointNet++の精度は、PointMLPやPoint Transformerといった最近のネットワークに大きく上回っているが、性能向上の大部分は、データ拡張と最適化技術の改善によるものであり、アーキテクチャの革新よりもモデルサイズの増加によるものである。 したがって、PointNet++の完全な可能性はまだ検討されていない。 本研究では,モデルトレーニングとスケーリング戦略の体系的研究を通じて,古典的pointnet++を再検討し,2つの大きな貢献を行った。 まず、pointnet++のパフォーマンスを大幅に向上させるトレーニング戦略のセットを提案する。 例えば、アーキテクチャの変更がなければ、ScanObjectNNオブジェクト分類におけるPointNet++の全体的な精度(OA)が77.9\%から86.1\%に上昇し、最先端のPointMLPよりも向上することを示す。 第2に,効率よく効率的なモデルスケーリングを実現するために,倒立残差ボトルネック設計と分離可能なMPPをPointNet++に導入し,PointNetsの次期バージョンであるPointNeXtを提案する。 PointNeXtは柔軟にスケールアップでき、3D分類タスクとセグメンテーションタスクの両方で最先端のメソッドより優れている。 分類では、pointnextはscanobjectnnで87.7\%$で、pointmlpを2.3\%$で上回り、推論で10 \times$が速い。 セマンティックセグメンテーションのために、PointNeXtは、最新のPoint Transformerよりも優れているS3DIS(6倍のクロスバリデーション)上で74.9\%の平均IoUで新しい最先端のパフォーマンスを確立する。 コードとモデルはhttps://github.com/guochengqian/pointnextで入手できる。

関連論文リスト

• PointNet with KAN versus PointNet with MLP for 3D Classification and Segmentation of Point Sets [1.90365714903665]
  我々は3Dポイントクラウド分類とセグメンテーションタスクのためのニューラルネットワークであるPointNet-KANを紹介する。 従来のマルチレイヤーパーセプトロン(MLP)の代わりにKAN(Kolmogorov-Arnold Networks)を採用している。
  論文  参考訳（メタデータ） (2024-10-14T01:57:06Z)
• Local Neighborhood Features for 3D Classification [7.081193814489042]
  我々はPointNeXtモデルを再検討し、そのような近辺点の特徴の利用と利点について検討する。 実際のデータセットを持つPointNeXtモデルでは、0.5%、1%、4.8%、3.4%、および1.6%の精度が得られます。
  論文  参考訳（メタデータ） (2022-12-09T22:53:40Z)
• 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)
• GSIP: Green Semantic Segmentation of Large-Scale Indoor Point Clouds [64.86292006892093]
  GSIP (Green of Indoor Point clouds) は大規模屋内シーンポイント雲のセマンティックセグメンテーションの効率的なソリューションである。 GSIPには2つの新しいコンポーネントがある: 1) 更なる処理のためにポイントの適切なサブセットを選択するルームスタイルのデータ前処理方法、2) ポイントホップから拡張された新しい特徴抽出器。 実験の結果、GSIPはS3DISデータセットのセグメンテーション性能においてPointNetよりも優れていた。
  論文  参考訳（メタデータ） (2021-09-24T09:26:53Z)
• Learning point embedding for 3D data processing [2.12121796606941]
  現在の点ベース法は本質的に空間関係処理ネットワークである。 PE-Netは高次元空間における点雲の表現を学習する。 実験によると、PE-Netは複数の挑戦的なデータセット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） (2021-07-19T00:25:28Z)
• Revisiting Point Cloud Shape Classification with a Simple and Effective Baseline [111.3236030935478]
  評価手法の違い,データ拡張戦略,損失関数などの補助的要因が,性能に大きな違いをもたらすことがわかった。 SimpleViewと呼ばれるプロジェクションベースのメソッドは驚くほどうまく機能します。 ポイントネット++の半分のサイズでありながら、ModelNet40の洗練された最先端メソッドよりも同等かそれ以上の結果が得られる。
  論文  参考訳（メタデータ） (2021-06-09T18:01:11Z)
• IF-Defense: 3D Adversarial Point Cloud Defense via Implicit Function based Restoration [68.88711148515682]
  ディープニューラルネットワークは、様々な3D敵攻撃に対して脆弱である。 本稿では,幾何学的制約と分布的制約を伴って入力点の座標を直接最適化するIF-Defenseフレームワークを提案する。 この結果から,IF-Defense は PointNet, PointNet++, DGCNN, PointConv, RS-CNN に対する既存の3次元攻撃に対して,最先端の防御性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-10-11T15:36:40Z)
• PointHop++: A Lightweight Learning Model on Point Sets for 3D Classification [55.887502438160304]
  ポイントホップ法は、Zhangらによって、教師なし特徴抽出を伴う3Dポイントクラウド分類のために提案された。 1)モデルパラメータ数の観点からモデルの複雑さを減らし,2)クロスエントロピー基準に基づいて自動的に識別特徴を順序付けする。 ModelNet40ベンチマークデータセットで実施した実験により、PointHop++法がディープニューラルネットワーク(DNN)ソリューションと同等に動作し、他の教師なし特徴抽出法を上回る性能を示す。
  論文  参考訳（メタデータ） (2020-02-09T04:49:32Z)

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。