論文の概要: GraphFit: Learning Multi-scale Graph-Convolutional Representation for
Point Cloud Normal Estimation
- arxiv url: http://arxiv.org/abs/2207.11484v1
- Date: Sat, 23 Jul 2022 10:29:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-26 14:31:04.913195
- Title: GraphFit: Learning Multi-scale Graph-Convolutional Representation for
Point Cloud Normal Estimation
- Title（参考訳）: GraphFit: ポイントクラウド正規推定のためのマルチスケールグラフ畳み込み表現学習
- Authors: Keqiang Li, Mingyang Zhao, Huaiyu Wu, Dong-Ming Yan, Zhen Shen,
Fei-Yue Wang and Gang Xiong
- Abstract要約: 本研究では,非構造3次元点雲の高精度かつ効率的な正規推定法を提案する。
我々は、より局所的な近傍幾何学を強調する正規推定のためのグラフ畳み込み特徴表現を学習する。
提案手法は,様々なベンチマークデータセットにおいて,最先端の精度で競合より優れる。
- 参考スコア（独自算出の注目度）: 31.40738037512243
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a precise and efficient normal estimation method that can deal
with noise and nonuniform density for unstructured 3D point clouds. Unlike
existing approaches that directly take patches and ignore the local
neighborhood relationships, which make them susceptible to challenging regions
such as sharp edges, we propose to learn graph convolutional feature
representation for normal estimation, which emphasizes more local neighborhood
geometry and effectively encodes intrinsic relationships. Additionally, we
design a novel adaptive module based on the attention mechanism to integrate
point features with their neighboring features, hence further enhancing the
robustness of the proposed normal estimator against point density variations.
To make it more distinguishable, we introduce a multi-scale architecture in the
graph block to learn richer geometric features. Our method outperforms
competitors with the state-of-the-art accuracy on various benchmark datasets,
and is quite robust against noise, outliers, as well as the density variations.
- Abstract（参考訳）: 本研究では,非構造的3次元点雲のノイズや不均一密度を正確に,かつ効率的に推定する手法を提案する。
パッチを直接取り、局所的な関係を無視する既存のアプローチとは異なり、シャープエッジなどの困難な領域に適応しうるグラフ畳み込み特徴表現を通常の推定のために学習し、より局所的な近傍形状を強調し、本質的な関係を効果的に符号化する。
さらに,注意機構に基づく新しい適応モジュールの設計を行い,隣接する特徴と点特徴を統合することにより,提案する正規推定器の点密度変動に対するロバスト性をさらに高める。
より区別しやすくするために,グラフブロックにマルチスケールアーキテクチャを導入し,よりリッチな幾何学的特徴を学習する。
提案手法は,様々なベンチマークデータセットにおいて,最先端の精度で競合より優れており,ノイズや外れ値,密度変動に対して非常に堅牢である。
関連論文リスト
- Localized Gaussians as Self-Attention Weights for Point Clouds Correspondence [92.07601770031236]
本稿では,エンコーダのみのトランスフォーマーアーキテクチャのアテンションヘッドにおける意味的意味パターンについて検討する。
注意重みの修正はトレーニングプロセスの促進だけでなく,最適化の安定性の向上にも寄与する。
論文 参考訳（メタデータ） (2024-09-20T07:41:47Z) - Geometry-aware Feature Matching for Large-Scale Structure from Motion [10.645087195983201]
大規模シナリオでは重なりが小さい場合にギャップを埋めるために,カラーキューに加えて幾何学的手がかりを導入する。
提案手法は, 検出器フリー法からの高密度対応が幾何的に整合性を持ち, 精度が高いことを保証する。
ベンチマークデータセットにおける最先端の機能マッチングメソッドよりも優れています。
論文 参考訳（メタデータ） (2024-09-03T21:41:35Z) - 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) - Joint Dense-Point Representation for Contour-Aware Graph Segmentation [2.138299283227551]
本稿では,点と画素の輪郭表現を共同で学習することにより,グラフと高密度セグメンテーション技術を組み合わせた新しい手法を提案する。
これは、不整合目的がネットワークを識別的・輪郭的特徴の学習から制限する典型的なグラフ分割法における欠陥に対処する。
提案手法はいくつかのケストX線データセットで検証され,セグメンテーション安定性と精度の明確な改善が示された。
論文 参考訳（メタデータ） (2023-06-21T10:07:17Z) - Data-heterogeneity-aware Mixing for Decentralized Learning [63.83913592085953]
グラフの混合重みとノード間のデータ不均一性の関係に収束の依存性を特徴付ける。
グラフが現在の勾配を混合する能力を定量化する計量法を提案する。
そこで本研究では,パラメータを周期的かつ効率的に最適化する手法を提案する。
論文 参考訳（メタデータ） (2022-04-13T15:54:35Z) - PU-Flow: a Point Cloud Upsampling Networkwith Normalizing Flows [58.96306192736593]
本稿では,正規化フローを組み込んだPU-Flowについて述べる。
具体的には、重みが局所的な幾何学的文脈から適応的に学習される潜在空間において、アップサンプリング過程を点として定式化する。
提案手法は, 再現性, 近接精度, 計算効率の観点から, 最先端の深層学習手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-07-13T07:45:48Z) - Spatial-spectral Hyperspectral Image Classification via Multiple Random
Anchor Graphs Ensemble Learning [88.60285937702304]
本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。
まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。
次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
論文 参考訳（メタデータ） (2021-03-25T09:31:41Z) - Learning non-Gaussian graphical models via Hessian scores and triangular
transport [6.308539010172309]
連続分布と非ガウス分布のマルコフ構造を学習するアルゴリズムを提案する。
このアルゴリズムは三角トランスポートマップによって誘導される決定論的結合を用いて密度を推定し、グラフのスパース性を明らかにするために地図内のスパース構造を反復的に活用する。
論文 参考訳（メタデータ） (2021-01-08T16:42:42Z) - MG-SAGC: A multiscale graph and its self-adaptive graph convolution
network for 3D point clouds [6.504546503077047]
点群の多スケールグラフ生成法を提案する。
このアプローチは、ポイントクラウドを、スケール空間におけるポイントクラウドのマルチスケール分析をサポートする構造化マルチスケールグラフ形式に変換する。
従来の畳み込みニューラルネットワークは不規則な近傍を持つグラフデータには適用できないため,チェビシェフグラフを用いて不規則な畳み込みフィルタに適合するセフ適応畳み込みカーネルを提案する。
論文 参考訳（メタデータ） (2020-12-23T01:58:41Z) - Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。
まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。
そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
論文 参考訳（メタデータ） (2020-11-25T14:00:18Z) - Learning Graph-Convolutional Representations for Point Cloud Denoising [31.557988478764997]
本稿では,学習ベースのポイントクラウド処理手法で発生する置換不変問題に対処可能なディープニューラルネットワークを提案する。
ネットワークは完全に畳み込み可能で、近傍グラフを動的に構築することで、機能の複雑な階層を構築することができる。
特に高騒音レベルと実LiDARスキャンで遭遇したような構造ノイズの存在の両方において堅牢である。
論文 参考訳（メタデータ） (2020-07-06T08:11:28Z)
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。