Fugu-MT 論文翻訳(概要): Enhancing Local Feature Learning Using Diffusion for 3D Point Cloud Understanding

論文の概要: Enhancing Local Feature Learning Using Diffusion for 3D Point Cloud Understanding

arxiv url: http://arxiv.org/abs/2207.01174v1
Date: Mon, 4 Jul 2022 03:09:56 GMT
ステータス: 処理完了
システム内更新日: 2022-07-05 15:20:32.178478
Title: Enhancing Local Feature Learning Using Diffusion for 3D Point Cloud Understanding
Title（参考訳）: 3Dポイントクラウド理解のための拡散を用いた局所特徴学習の強化
Authors: Haoyi Xiu, Xin Liu, Weimin Wang, Kyoung-Sook Kim, Takayuki Shinohara, Qiong Chang, Masashi Matsuoka
Abstract要約: 本研究では,作業機構を明確化しつつ,エッジの強化・抑制を自動的に学習する手法を提案する。一般に,提案手法は,ポイントクラウドの分類とセグメンテーションタスクにおける競合性能を実現する。
参考スコア（独自算出の注目度）: 10.449455311881398
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Learning point clouds is challenging due to the lack of connectivity information, i.e., edges. Although existing edge-aware methods can improve the performance by modeling edges, how edges contribute to the improvement is unclear. In this study, we propose a method that automatically learns to enhance/suppress edges while keeping the its working mechanism clear. First, we theoretically figure out how edge enhancement/suppression works. Second, we experimentally verify the edge enhancement/suppression behavior. Third, we empirically show that this behavior improves performance. In general, we observe that the proposed method achieves competitive performance in point cloud classification and segmentation tasks.
Abstract（参考訳）: 接続情報、すなわちエッジが欠如しているため、ポイントクラウドの学習は困難である。既存のエッジアウェアメソッドはエッジをモデリングすることでパフォーマンスを向上させることができるが、エッジが改善にどのように寄与するかは不明だ。本研究では,作業機構を明確に保ちながらエッジの強化・抑制を自動的に学習する手法を提案する。まず,エッジエンハンスメント/サプレッションの仕組みを理論的に把握する。第2に、エッジの強化/抑制挙動を実験的に検証する。第3に、この動作がパフォーマンスを改善することを実証的に示します。一般に,提案手法は,ポイントクラウドの分類とセグメンテーションタスクにおける競合性能を実現する。

関連論文リスト

P2P-Bridge: Diffusion Bridges for 3D Point Cloud Denoising [81.92854168911704]
私たちは、Diffusion Schr"odingerブリッジをポイントクラウドに適応させる新しいフレームワークを通じて、ポイントクラウドを飾るタスクに取り組みます。オブジェクトデータセットの実験では、P2P-Bridgeは既存のメソッドよりも大幅に改善されている。
論文参考訳（メタデータ） (2024-08-29T08:00:07Z)
Revisiting Edge Perturbation for Graph Neural Network in Graph Data Augmentation and Attack [58.440711902319855]
エッジ摂動はグラフ構造を変更する方法である。グラフニューラルネットワーク(GNN)の性能への影響に基づき、2つの静脈に分類できる。統一的な定式化を提案し、エッジ摂動法の2つのカテゴリ間の明確な境界を確立する。
論文参考訳（メタデータ） (2024-03-10T15:50:04Z)
Edge Aware Learning for 3D Point Cloud [8.12405696290333]
本稿では,階層型エッジ対応3Dポイントクラウドラーニング(HEA-Net)における革新的なアプローチを提案する。ポイントクラウドデータにおけるノイズの課題に対処し、エッジ機能に注目してオブジェクト認識とセグメンテーションを改善することを目指している。我々は,ポイントクラウドの分類とセグメンテーションを強化するために,革新的なエッジアウェアラーニング手法を提案する。
論文参考訳（メタデータ） (2023-09-23T20:12:32Z)
Self-supervised adversarial masking for 3D point cloud representation learning [0.38233569758620056]
本稿では,点雲のマスキング関数を学習するための新しい逆法であるPointCAMを紹介する。従来の手法と比較して,マスクをランダムに選択するのではなく,マスクの選択方法を学習する補助的ネットワークの適用を仮定する。以上の結果から,学習したマスキング関数は,様々な下流タスクにおいて,最先端ないし競争的な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） (2023-07-11T15:11:06Z)
PU-EdgeFormer: Edge Transformer for Dense Prediction in Point Cloud Upsampling [4.125187280299247]
本稿ではPU-EdgeFormerで表される点雲アップサンプリングのためのグラフ畳み込みと変換器について述べる。 We use graph convolution using EdgeConv, which learns the local geometry and global structure of point cloud than existing point-to-feature method。
論文参考訳（メタデータ） (2023-05-02T01:42:47Z)
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)
Diffusion Unit: Interpretable Edge Enhancement and Suppression Learning for 3D Point Cloud Segmentation [8.79434587245741]
3次元点雲は連続した表面の離散的なサンプルであり、様々な用途に利用できる。真の接続情報、すなわちエッジ情報の欠如は、ポイントクラウド認識を困難にしている。最近のエッジ認識手法は、エッジモデリングをネットワーク設計に組み込んで、局所構造をよりよく記述している。本稿では,エッジ情報を原理的かつ解釈可能な方法で処理するDiffusion Unit (DU) を提案する。
論文参考訳（メタデータ） (2022-09-20T05:52:28Z)
Unsupervised Representation Learning for 3D Point Cloud Data [66.92077180228634]
我々は、教師なしのポイントクラウド学習に対して、シンプルで効果的なアプローチを提案する。特に、原点雲の優れたコントラストバージョンを生成する非常に有用な変換を同定する。本研究では,3次元オブジェクト分類,形状部分分割,シーン分割の3つの下流タスクについて実験を行った。
論文参考訳（メタデータ） (2021-10-13T10:52:45Z)
UPDesc: Unsupervised Point Descriptor Learning for Robust Registration [54.95201961399334]
UPDescは、ロバストポイントクラウド登録のためのポイント記述子を学習するための教師なしの方法である。学習した記述子は既存の教師なし手法よりも優れた性能を示すことを示す。
論文参考訳（メタデータ） (2021-08-05T17:11:08Z)
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)
Contrastive Rendering for Ultrasound Image Segmentation [59.23915581079123]
米国の画像にシャープな境界がないことは、セグメンテーションに固有の課題である。我々は,US画像における境界推定を改善するための,新しい,効果的なフレームワークを提案する。提案手法は最先端の手法より優れており,臨床応用の可能性も高い。
論文参考訳（メタデータ） (2020-10-10T07:14:03Z)

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。