論文の概要: Few 'Zero Level Set'-Shot Learning of Shape Signed Distance Functions in
Feature Space
- arxiv url: http://arxiv.org/abs/2207.04161v1
- Date: Sat, 9 Jul 2022 00:14:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-12 13:06:05.941747
- Title: Few 'Zero Level Set'-Shot Learning of Shape Signed Distance Functions in
Feature Space
- Title(参考訳): 特徴空間における形状符号付き距離関数の「ゼロレベル集合」ショット学習
- Authors: Amine Ouasfi and Adnane Boukhayma
- Abstract要約: ポイントクラウドからの学習に基づく形状再構成の新しいアイデアを探求する。
私たちは畳み込みエンコーダを使用して、入力ポイントクラウドを前提とした機能空間を構築します。
暗黙デコーダは、この特徴空間に表される点について符号付き距離値を予測することを学ぶ。
- 参考スコア(独自算出の注目度): 6.675491069288519
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We explore a new idea for learning based shape reconstruction from a point
cloud, based on the recently popularized implicit neural shape representations.
We cast the problem as a few-shot learning of implicit neural signed distance
functions in feature space, that we approach using gradient based
meta-learning. We use a convolutional encoder to build a feature space given
the input point cloud. An implicit decoder learns to predict signed distance
values given points represented in this feature space. Setting the input point
cloud, i.e. samples from the target shape function's zero level set, as the
support (i.e. context) in few-shot learning terms, we train the decoder such
that it can adapt its weights to the underlying shape of this context with a
few (5) tuning steps. We thus combine two types of implicit neural network
conditioning mechanisms simultaneously for the first time, namely feature
encoding and meta-learning. Our numerical and qualitative evaluation shows that
in the context of implicit reconstruction from a sparse point cloud, our
proposed strategy, i.e. meta-learning in feature space, outperforms existing
alternatives, namely standard supervised learning in feature space, and
meta-learning in euclidean space, while still providing fast inference.
- Abstract(参考訳): 我々は,最近普及した暗黙的ニューラル形状表現に基づく,点雲からの学習に基づく形状再構成の新しいアイデアを探求する。
特徴空間における暗黙的神経サイン付き距離関数の数少ない学習としてこの問題を取り上げ,勾配に基づくメタラーニングを用いてアプローチする。
入力ポイントクラウドを与えられた特徴空間を構築するために畳み込みエンコーダを使用します。
暗黙デコーダは、この特徴空間に表される点について符号付き距離値を予測する。
入力ポイントクラウド、すなわちターゲットシェープ関数のゼロレベルセットからサンプルを設定することで、わずかな学習用語でサポート(つまりコンテキスト)としてデコーダを訓練し、その重みをいくつかの(5)チューニングステップでこのコンテキストの基盤となる形状に適応させることができる。
そこで本研究では,特徴エンコーディングとメタラーニングという,2種類の暗黙的ニューラルネットワークコンディショニング機構を初めて組み合わせた。
数値的・質的評価により,疎点雲からの暗黙的再構成の文脈において,提案手法,すなわち特徴空間におけるメタラーニング,すなわち,標準教師あり学習,ユークリッド空間におけるメタラーニングよりも優れ,かつ,高速な推論が可能となった。
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) - Clustering based Point Cloud Representation Learning for 3D Analysis [80.88995099442374]
本稿では,ポイントクラウド分析のためのクラスタリングに基づく教師付き学習手法を提案する。
現在のデファクトでシーンワイドなトレーニングパラダイムとは異なり、我々のアルゴリズムは点埋め込み空間上でクラス内のクラスタリングを行う。
我々のアルゴリズムは、有名なポイントクラウドセグメンテーションデータセットの顕著な改善を示している。
論文 参考訳(メタデータ) (2023-07-27T03:42:12Z) - PointCaM: Cut-and-Mix for Open-Set Point Cloud Learning [72.07350827773442]
我々は,新しいポイントカット・アンド・ミクス機構を用いて,オープンセットのクラウド学習を解決することを提案する。
トレーニング段階では,Unknown-Point Simulatorを用いてアウト・オブ・ディストリビューションデータをシミュレートする。
Unknown-Point Estimatorモジュールは、既知のデータを識別するために、ポイントクラウドの機能コンテキストを活用することを学ぶ。
論文 参考訳(メタデータ) (2022-12-05T03:53:51Z) - Upsampling Autoencoder for Self-Supervised Point Cloud Learning [11.19408173558718]
人間のアノテーションを使わずに、ポイントクラウド学習のための自己教師付き事前学習モデルを提案する。
アップサンプリング操作は、ポイントクラウドの高レベルセマンティック情報と低レベル幾何情報の両方を捕捉することをネットワークに促す。
我々のUAEは、形状分類、部分分割、点雲アップサンプリングタスクにおいて、従来の最先端手法よりも優れています。
論文 参考訳(メタデータ) (2022-03-21T07:20:37Z) - Point Cloud Pre-training by Mixing and Disentangling [35.18101910728478]
Mixing and Disentangling (MD)は、ポイントクラウド事前トレーニングのための自己教師付き学習アプローチである。
我々は,エンコーダ+我々の(MD)が,スクラッチから訓練したエンコーダを著しく上回り,迅速に収束することを示す。
この自己教師型学習によるポイントクラウドの試みが、大規模ラベル付きデータへの深い学習モデル依存を減らす道を開くことを願っている。
論文 参考訳(メタデータ) (2021-09-01T15:52:18Z) - DRINet: A Dual-Representation Iterative Learning Network for Point Cloud
Segmentation [45.768040873409824]
DRINetは二重表現学習の基本的なネットワーク構造として機能する。
我々のネットワークは、ポイントクラウド分類とセグメンテーションタスクの最先端の結果を達成する。
大規模屋外シナリオでは,提案手法はフレーム当たり62msのリアルタイム推論速度で最先端の手法より優れる。
論文 参考訳(メタデータ) (2021-08-09T13:23:54Z) - 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) - Point Cloud Registration using Representative Overlapping Points [10.843159482657303]
本稿では,登録のための識別機能を備えた代表オーバーラップポイントを用いた新しいディープラーニングモデル ROPNetを提案する。
具体的には,エンコーダを用いてポイントオーバーラップスコアの予測にグローバルな特徴を抽出するコンテキスト誘導モジュールを提案する。
ノイズと部分重なり合う点雲を用いたModelNet40上での実験により,提案手法が従来の学習手法よりも優れていることが示された。
論文 参考訳(メタデータ) (2021-07-06T12:52:22Z) - Refinement of Predicted Missing Parts Enhance Point Cloud Completion [62.997667081978825]
点雲完了は、部分的な観測から3次元形状の点集合表現を用いて完全な幾何学を予測するタスクである。
従来のアプローチでは、不完全点集合によって供給されるエンコーダ・デコーダモデルにより、点雲全体を直接推定するニューラルネットワークが提案されていた。
本稿では、欠落した幾何を計算し、既知の入力と予測点クラウドを融合することに焦点を当てたエンドツーエンドニューラルネットワークアーキテクチャを提案する。
論文 参考訳(メタデータ) (2020-10-08T22:01:23Z) - MetaSDF: Meta-learning Signed Distance Functions [85.81290552559817]
ニューラルな暗示表現で形状を一般化することは、各関数空間上の学習先行値に比例する。
形状空間の学習をメタラーニング問題として定式化し、勾配に基づくメタラーニングアルゴリズムを利用してこの課題を解決する。
論文 参考訳(メタデータ) (2020-06-17T05:14:53Z)
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。