論文の概要: Unsupervised Capsule Networks of High-Dimension Point Clouds classification

• arxiv url: http://arxiv.org/abs/2206.07348v1
• Date: Wed, 15 Jun 2022 07:57:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-17 04:36:23.675908
• Title: Unsupervised Capsule Networks of High-Dimension Point Clouds classification
• Title（参考訳）: 高次元点雲分類の教師なしカプセルネットワーク
• Authors: Quanfeng Xu, Yi Tang, Yan Yang, Yumei She, Zuo Jiang
• Abstract要約: 3次元空間では、点雲はその密度のために通常のユークリッド構造を持つ傾向がある。 高次元空間では、高次元空間の空間構造はより複雑であり、点雲は主として非ヨーロッパ構造で表される。 本稿では,高次元点雲カプセルの教師なしアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 3.9131884208594254
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Three-dimensional point clouds learning is widely applied, but the point clouds are still unable to deal with classification and recognition tasks satisfactorily in the cases of irregular geometric structures and high-dimensional space. In 3D space, point clouds tend to have regular Euclidean structure because of their density. On the contrary, due to the high dimensionality, the spatial structure of high-dimensional space is more complex, and point clouds are mostly presented in non-European structure. Furthermore, among current 3D point clouds classification algorithms, Canonical Capsules algorithm based on Euclidean distance is difficult to decompose and identify non-Euclidean structures effectively. Thus, aiming at the point clouds classification task of non-Euclidean structure in 3D and high-dimensional space, this paper refers to the LLE algorithm based on geodesic distance for optimizing and proposes the unsupervised algorithm of high-dimensional point clouds capsule. In this paper, the geometric features of point clouds are considered in the extraction process, so as to transform the high-dimensional non-Euclidean structure into a lower-dimensional Euclidean structure with retaining spatial geometric features. To verify the feasibility of the unsupervised algorithm of high-dimensional point clouds capsule, experiments are conducted in Swiss Roll dataset, point clouds MNIST dataset and point clouds LFW dataset. The results show that (1) non-Euclidean structures can be can effectively identified by this model in Swiss Roll dataset; (2) a significant unsupervised learning effect is realized in point clouds MNIST dataset. In conclusion, the high-dimensional point clouds capsule unsupervised algorithm proposed in this paper is conducive to expand the application scenarios of current point clouds classification and recognition tasks.
• Abstract（参考訳）: 3次元点雲学習は広く適用されているが、不規則な幾何学構造や高次元空間の場合、点雲は分類や認識タスクをうまく処理できない。 3次元空間では、点雲はその密度のために通常のユークリッド構造を持つ傾向がある。 逆に、高次元性のため、高次元空間の空間構造はより複雑であり、点雲は主として非ヨーロッパ構造で表される。 さらに、現在の3次元点雲分類アルゴリズムでは、ユークリッド距離に基づくカノニカルカプセルアルゴリズムは非ユークリッド構造を効果的に分解・同定することが困難である。 そこで,3次元および高次元空間における非ユークリッド構造の点雲分類タスクに着目し,測地距離に基づくlleアルゴリズムを用いて最適化を行い,高次元点雲カプセルの教師なしアルゴリズムを提案する。 本稿では, 点雲の幾何学的特徴を抽出過程において考慮し, 高次元非ユークリッド構造を空間幾何学的特徴を有する低次元ユークリッド構造に変換する。 高次元点雲カプセルの教師なしアルゴリズムの実現可能性を検証するため,スイスロールデータセット,ポイントクラウドmnistデータセット,ポイントクラウドlfwデータセットを用いて実験を行った。 その結果,(1)非ユークリッド構造をスイスロールデータセットにおいて効果的に同定できること,(2)点雲MNISTデータセットにおいて有意な教師なし学習効果が実現できることが示唆された。 結論として,本論文で提案する高次元点雲カプセル無教師アルゴリズムは,現在の点雲分類および認識タスクの応用シナリオの拡大を目的としている。

関連論文リスト

• Point Cloud Compression with Implicit Neural Representations: A Unified Framework [54.119415852585306]
  我々は幾何学と属性の両方を扱える先駆的なクラウド圧縮フレームワークを提案する。 本フレームワークでは,2つの座標ベースニューラルネットワークを用いて,voxelized point cloudを暗黙的に表現する。 本手法は,既存の学習手法と比較して,高い普遍性を示す。
  論文  参考訳（メタデータ） (2024-05-19T09:19:40Z)
• Dynamic 3D Point Cloud Sequences as 2D Videos [81.46246338686478]
  3Dポイントクラウドシーケンスは、現実世界の環境における最も一般的で実用的な表現の1つとして機能する。 textitStructured Point Cloud Videos (SPCV) と呼ばれる新しい汎用表現を提案する。 SPCVは点雲列を空間的滑らかさと時間的一貫性を持つ2Dビデオとして再編成し、画素値は点の3D座標に対応する。
  論文  参考訳（メタデータ） (2024-03-02T08:18:57Z)
• Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud Analysis [66.49788145564004]
  我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。 我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
  論文  参考訳（メタデータ） (2022-12-17T15:05:25Z)
• Learning a Structured Latent Space for Unsupervised Point Cloud Completion [48.79411151132766]
  部分点雲と完全点雲の両方を符号化する統一的で構造化された潜在空間を学習する新しいフレームワークを提案する。 提案手法は、合成ShapeNetと実世界のKITTI、ScanNet、Matterport3Dデータセットの両方において、最先端の教師なし手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2022-03-29T13:58:44Z)
• PointAttN: You Only Need Attention for Point Cloud Completion [89.88766317412052]
  ポイント・クラウド・コンプリート(Point cloud completion)とは、部分的な3次元ポイント・クラウドから3次元の形状を完成させることである。 そこで我々は,kNNを除去するために,ポイントクラウドをポイント単位に処理する新しいニューラルネットワークを提案する。 提案するフレームワークであるPointAttNはシンプルで簡潔で効果的であり、3次元形状の構造情報を正確に捉えることができる。
  論文  参考訳（メタデータ） (2022-03-16T09:20:01Z)
• PointManifold: Using Manifold Learning for Point Cloud Classification [5.705680763604835]
  本稿では,グラフニューラルネットワークと多様体学習に基づく点雲分類手法を提案する。 本稿では,平面上の連続性を考慮し,点雲の特徴を埋め込むために,多様体学習アルゴリズムを用いる。 実験により、提案した点雲分類法は90.2%の平均クラス精度(mA)と93.2%の総合クラス精度(oA)が得られることが示された。
  論文  参考訳（メタデータ） (2020-10-14T16:28:19Z)
• Point Cloud Completion by Skip-attention Network with Hierarchical Folding [61.59710288271434]
  本研究では,3Dポイントクラウド補完のためのSkip-Attention Network (SA-Net)を提案する。 まず,不完全点雲の局所構造を効果的に活用するためのスキップアテンション機構を提案する。 第二に、異なる解像度でスキップアテンション機構によって符号化された選択された幾何情報を完全に活用するために、新しい構造保存デコーダを提案する。
  論文  参考訳（メタデータ） (2020-05-08T06:23:51Z)

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。