論文の概要: Enhancing Local Geometry Learning for 3D Point Cloud via Decoupling Convolution

• arxiv url: http://arxiv.org/abs/2207.01181v1
• Date: Mon, 4 Jul 2022 03:49:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-05 15:20:21.833748
• Title: Enhancing Local Geometry Learning for 3D Point Cloud via Decoupling Convolution
• Title（参考訳）: デカップリング畳み込みによる3次元点雲の局所幾何学習の強化
• Authors: Haoyi Xiu, Xin Liu, Weimin Wang, Kyoung-Sook Kim, Takayuki Shinohara, Qiong Chang, Masashi Matsuoka
• Abstract要約: そこで我々は,局所幾何学の学習を促進できる,単純かつ効果的なアーキテクチャ単位として,ラプラシアン単位(LU)を提案する。 LUは、典型的なクラウド理解タスクにおいて、競争力または優れたパフォーマンスを達成する。
• 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: Modeling the local surface geometry is challenging in 3D point cloud understanding due to the lack of connectivity information. Most prior works model local geometry using various convolution operations. We observe that the convolution can be equivalently decomposed as a weighted combination of a local and a global component. With this observation, we explicitly decouple these two components so that the local one can be enhanced and facilitate the learning of local surface geometry. Specifically, we propose Laplacian Unit (LU), a simple yet effective architectural unit that can enhance the learning of local geometry. Extensive experiments demonstrate that networks equipped with LUs achieve competitive or superior performance on typical point cloud understanding tasks. Moreover, through establishing connections between the mean curvature flow, a further investigation of LU based on curvatures is made to interpret the adaptive smoothing and sharpening effect of LU. The code will be available.
• Abstract（参考訳）: 局所表面形状のモデリングは、接続情報の欠如により、3Dポイントクラウド理解において困難である。 ほとんどの先行作業は、様々な畳み込み演算を用いて局所幾何をモデル化する。 畳み込みは局所成分と大域成分の重み付け結合として等価に分解できる。 この観察により、これらの2つの成分を明示的に分離し、局所曲面幾何学の学習を容易にする。 具体的には,局所幾何学の学習を促進できるシンプルで効果的なアーキテクチャユニットであるLaplacian Unit (LU)を提案する。 広範な実験により、lusを搭載したネットワークは、典型的なポイントクラウド理解タスクにおいて、競合性または優れたパフォーマンスを達成できることが示されている。 さらに, 平均曲率流間の接続を確立することにより, 適応的平滑化とLUの研削効果を解析するために, 曲率に基づくLUのさらなる検討を行う。 コードは利用可能だ。

関連論文リスト

• Boosting Cross-Domain Point Classification via Distilling Relational Priors from 2D Transformers [59.0181939916084]
  従来の3Dネットワークは主に局所幾何学的詳細に焦点を当て、局所幾何学間の位相構造を無視する。 そこで本稿では,大規模画像上においてよく訓練されたトランスフォーマーから前駆体を抽出する,新しい先駆体蒸留法を提案する。 PointDA-10とSim-to-Realデータセットの実験は、提案手法が点クラウド分類におけるUDAの最先端性能を一貫して達成していることを検証する。
  論文  参考訳（メタデータ） (2024-07-26T06:29:09Z)
• 3D Geometric Shape Assembly via Efficient Point Cloud Matching [59.241448711254485]
  Proxy Match Transform (PMT) は、部品の配向面間の信頼性の高いマッチングを可能にする、高次特徴変換層である。 PMT を基盤として,幾何学的組立作業のための新しいフレームワーク Proxy Match TransformeR (PMTR) を導入する。 我々は,Breaking Badの大規模3次元幾何形状集合ベンチマークデータセットを用いてPMTRの評価を行った。
  論文  参考訳（メタデータ） (2024-07-15T08:50:02Z)
• LCPFormer: Towards Effective 3D Point Cloud Analysis via Local Context Propagation in Transformers [60.51925353387151]
  本稿では,近隣地域間のメッセージパッシングを活用するために,LCP (Local Context Propagation) という新しいモジュールを提案する。 隣接するローカル領域の重複点を仲介として使用した後、異なるローカルリージョンからの共有ポイントの特徴を再重み付けし、その後、次のレイヤに渡す。 提案手法は, 異なるタスクに適用可能であり, 3次元形状分類や高密度予測タスクを含むベンチマークにおいて, 様々なトランスフォーマーベースの手法より優れる。
  論文  参考訳（メタデータ） (2022-10-23T15:43:01Z)
• Neural Convolutional Surfaces [59.172308741945336]
  この研究は、大域的、粗い構造から、微細で局所的で、おそらく繰り返される幾何学を歪める形状の表現に関係している。 このアプローチは, 最先端技術よりも優れたニューラル形状圧縮を実現するとともに, 形状詳細の操作と伝達を可能にする。
  論文  参考訳（メタデータ） (2022-04-05T15:40:11Z)
• Depth Completion using Geometry-Aware Embedding [22.333381291860498]
  本稿では,幾何認識の埋め込みを効率的に学習する手法を提案する。 局所的および大域的な幾何学的構造情報を、例えば、シーンレイアウト、オブジェクトのサイズと形状などの3Dポイントから符号化し、深度推定を導く。
  論文  参考訳（メタデータ） (2022-03-21T12:06:27Z)
• RIConv++: Effective Rotation Invariant Convolutions for 3D Point Clouds Deep Learning [32.18566879365623]
  3Dポイントクラウドのディープラーニングは、ニューラルネットワークがポイントクラウドの機能を直接学習することのできる、有望な研究分野である。 本稿では,局所領域から強力な回転不変特徴を設計することで特徴の区別を高める,シンプルで効果的な畳み込み演算子を提案する。 ネットワークアーキテクチャは、各畳み込み層の近傍サイズを単純に調整することで、ローカルとグローバルの両方のコンテキストをキャプチャできる。
  論文  参考訳（メタデータ） (2022-02-26T08:32:44Z)
• DeltaConv: Anisotropic Point Cloud Learning with Exterior Calculus [13.18401177210079]
  デルタコンブと呼ばれる新しい畳み込み演算子を導入し、外部計算から幾何演算子を組み合わせて点雲上に異方性フィルタを構築する。 私たちの畳み込みは、いくつかのベンチマークにおける最先端のアプローチと比較して、堅牢で、実装も簡単で、精度も向上しています。
  論文  参考訳（メタデータ） (2021-11-16T21:58:55Z)
• Deep Implicit Moving Least-Squares Functions for 3D Reconstruction [23.8586965588835]
  本研究では, 離散点集合を平滑曲面に変換し, よく知られた暗黙的移動最小二乗曲面(IMLS)の定式化を提案する。 IMLS表面生成を深層ニューラルネットワークに組み込んで、点集合の柔軟性と暗黙曲面の高品質の両方を継承する。 3Dオブジェクト再構築の実験では、IMLSNetsが再構築品質と計算効率の点で最先端の学習ベースの方法を上回ることを実証しています。
  論文  参考訳（メタデータ） (2021-03-23T02:26:07Z)
• Concentric Spherical GNN for 3D Representation Learning [53.45704095146161]
  同心球面特徴写像を学習するための新しい多解畳み込みアーキテクチャを提案する。 当社の階層的アーキテクチャは、球内情報と球間情報の両方を組み込むための代替学習に基づいています。 回転データを用いた3次元分類作業における最先端性能向上へのアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2021-03-18T19:05:04Z)
• A Rotation-Invariant Framework for Deep Point Cloud Analysis [132.91915346157018]
  ネットワーク入力時に一般的な3次元カルト座標を置き換えるために,新しい低レベル純粋回転不変表現を導入する。 また,これらの表現を特徴に組み込むネットワークアーキテクチャを提案し,点とその近傍の局所的関係とグローバルな形状構造を符号化する。 本手法は, 形状分類, 部分分割, 形状検索を含む多点雲解析タスクにおいて評価する。
  論文  参考訳（メタデータ） (2020-03-16T14:04:45Z)

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。