論文の概要: E2PN: Efficient SE(3)-Equivariant Point Network

• arxiv url: http://arxiv.org/abs/2206.05398v3
• Date: Wed, 14 Jun 2023 02:58:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-17 04:02:38.873379
• Title: E2PN: Efficient SE(3)-Equivariant Point Network
• Title（参考訳）: E2PN: 効率的なSE(3)-等変点ネットワーク
• Authors: Minghan Zhu, Maani Ghaffari, William A. Clark, Huei Peng
• Abstract要約: 本稿では,3次元点雲からSE(3)-等価特徴を学習するための畳み込み構造を提案する。 カーネルポイント畳み込み(カーネルポイントコンボリューション、カーネルポイントコンボリューション、カーネルポイントコンボリューション、カーネルポイントコンボリューション、カーネルポイントコンボリューション、カーネルポイントコンボリューション、カーネルポイントコンボリューション、カーネルポイントコンボリューション、カーネルポイントコンボリューション、KPConv、カーネルポイントコンボリューション、カーネルポイントコンボリューション、カーネルポイントコンボリューション、カーネルポイントコンボリューション
• 参考スコア（独自算出の注目度）: 12.520265159777255
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper proposes a convolution structure for learning SE(3)-equivariant features from 3D point clouds. It can be viewed as an equivariant version of kernel point convolutions (KPConv), a widely used convolution form to process point cloud data. Compared with existing equivariant networks, our design is simple, lightweight, fast, and easy to be integrated with existing task-specific point cloud learning pipelines. We achieve these desirable properties by combining group convolutions and quotient representations. Specifically, we discretize SO(3) to finite groups for their simplicity while using SO(2) as the stabilizer subgroup to form spherical quotient feature fields to save computations. We also propose a permutation layer to recover SO(3) features from spherical features to preserve the capacity to distinguish rotations. Experiments show that our method achieves comparable or superior performance in various tasks, including object classification, pose estimation, and keypoint-matching, while consuming much less memory and running faster than existing work. The proposed method can foster the development of equivariant models for real-world applications based on point clouds.
• Abstract（参考訳）: 本稿では,3次元点雲からSE(3)-等価特徴を学習するための畳み込み構造を提案する。 これはカーネルポイント畳み込み(kpconv)の同変バージョンと見なすことができ、ポイントクラウドデータを処理するために広く使用される畳み込み形式である。 既存の等価ネットワークと比較して、私たちの設計はシンプルで軽量で、高速で、既存のタスク固有のポイントクラウド学習パイプラインと統合が容易です。 群畳み込みと商表現を組み合わせることでこれらの望ましい性質を達成する。 具体的には、SO(2) を安定化部分群として使用し、計算を省くために球面商特徴体を形成する際に、SO(3) を有限群に区別する。 また, 回転を区別するキャパシティを保持するために, 球状特徴からSO(3)特徴を復元する置換層を提案する。 実験の結果,オブジェクト分類,ポーズ推定,キーポイントマッチングなどのタスクにおいて,既存の作業よりもはるかに少ないメモリ消費と高速実行を実現していることがわかった。 提案手法は,点雲に基づく実世界のアプリケーションのための同変モデルの開発を促進することができる。

関連論文リスト

• BiEquiFormer: Bi-Equivariant Representations for Global Point Cloud Registration [28.75341781515012]
  本研究の目的は,グローバルポイントクラウド登録(PCR)の問題,すなわち,ポイントクラウド間の最適なアライメントを見つけることにある。 本研究では,現在最先端のディープラーニング手法が,任意の点の雲を空間に配置した場合に,大きな性能劣化に悩まされていることを示す。
  論文  参考訳（メタデータ） (2024-07-11T17:58:10Z)
• SVNet: Where SO(3) Equivariance Meets Binarization on Point Cloud Representation [65.4396959244269]
  本論文は,3次元学習アーキテクチャを構築するための一般的なフレームワークを設計することによる課題に対処する。 提案手法はPointNetやDGCNNといった一般的なバックボーンに適用できる。 ModelNet40、ShapeNet、および実世界のデータセットであるScanObjectNNの実験では、この手法が効率、回転、精度の間の大きなトレードオフを達成することを示した。
  論文  参考訳（メタデータ） (2022-09-13T12:12:19Z)
• SE(3)-Equivariant Attention Networks for Shape Reconstruction in Function Space [50.14426188851305]
  本稿では,第1のSE(3)-equivariant coordinate-based networkを提案する。 入力を正規格子に整列させる従来の形状再構成法とは対照的に、不規則で無向な点雲を直接操作する。 提案手法は,従来のSO(3)-equivariant法,およびSO(3)-augmented dataで訓練された非equivariant法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-04-05T17:59:15Z)
• Multiway Non-rigid Point Cloud Registration via Learned Functional Map Synchronization [105.14877281665011]
  我々は、点雲上に定義された学習関数に関する地図を同期させることにより、複数の非剛体形状を登録する新しい方法であるSyNoRiMを提案する。 提案手法は,登録精度において最先端の性能を達成できることを実証する。
  論文  参考訳（メタデータ） (2021-11-25T02:37:59Z)
• Correspondence-Free Point Cloud Registration with SO(3)-Equivariant Implicit Shape Representations [12.343333815270402]
  提案手法は,同変特徴学習と暗黙的形状モデルを組み合わせることで,3つの大きな利点を実現する。 その結果,既存の通信不要のディープ・レジストレーション法と比較して優れた性能を示した。
  論文  参考訳（メタデータ） (2021-07-21T18:18:21Z)
• 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)
• Equivariant Point Network for 3D Point Cloud Analysis [17.689949017410836]
  点雲解析のための実効的で実用的なSE(3)(3次元翻訳と回転)同変ネットワークを提案する。 まず,6次元の畳み込みを2つの分離可能な畳み込み作用素に分解する新しい枠組みであるSE(3)分離点畳み込みを提案する。 第2に,同変特徴の表現性を効果的に活用するアテンション層を導入する。
  論文  参考訳（メタデータ） (2021-03-25T21:57:10Z)
• DyCo3D: Robust Instance Segmentation of 3D Point Clouds through Dynamic Convolution [136.7261709896713]
  本稿では,インスタンスの性質に応じて適切な畳み込みカーネルを生成するデータ駆動型アプローチを提案する。 提案手法はScanetNetV2とS3DISの両方で有望な結果が得られる。 また、現在の最先端よりも推論速度を25%以上向上させる。
  論文  参考訳（メタデータ） (2020-11-26T14:56:57Z)
• 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。