論文の概要: PointTree: Transformation-Robust Point Cloud Encoder with Relaxed K-D
Trees
- arxiv url: http://arxiv.org/abs/2208.05962v1
- Date: Thu, 11 Aug 2022 17:59:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-12 13:01:29.310627
- Title: PointTree: Transformation-Robust Point Cloud Encoder with Relaxed K-D
Trees
- Title(参考訳): PointTree: K-Dツリーを緩和した変換ロバストなポイントクラウドエンコーダ
- Authors: Jun-Kun Chen and Yu-Xiong Wang
- Abstract要約: 我々は、リラックスしたK-D木に基づく変換に頑健なポイントクラウドエンコーダであるPointTreeを提案する。
我々のアプローチの鍵は、主成分分析(PCA)を用いたK-D木における分割則の設計である。
この新しいアーキテクチャ設計に加えて、事前調整による導入をさらに改善する。
- 参考スコア(独自算出の注目度): 27.641101804012152
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Being able to learn an effective semantic representation directly on raw
point clouds has become a central topic in 3D understanding. Despite rapid
progress, state-of-the-art encoders are restrictive to canonicalized point
clouds, and have weaker than necessary performance when encountering geometric
transformation distortions. To overcome this challenge, we propose PointTree, a
general-purpose point cloud encoder that is robust to transformations based on
relaxed K-D trees. Key to our approach is the design of the division rule in
K-D trees by using principal component analysis (PCA). We use the structure of
the relaxed K-D tree as our computational graph, and model the features as
border descriptors which are merged with pointwise-maximum operation. In
addition to this novel architecture design, we further improve the robustness
by introducing pre-alignment -- a simple yet effective PCA-based normalization
scheme. Our PointTree encoder combined with pre-alignment consistently
outperforms state-of-the-art methods by large margins, for applications from
object classification to semantic segmentation on various transformed versions
of the widely-benchmarked datasets. Code and pre-trained models are available
at https://github.com/immortalCO/PointTree.
- Abstract(参考訳): 生の点クラウド上で、効果的なセマンティック表現を直接学べることが、3D理解の中心的なトピックになっている。
急激な進歩にもかかわらず、最先端のエンコーダは正準化点雲に制限され、幾何学的変換歪みに遭遇する際の性能よりも弱い。
この課題を克服するため,我々は,k-d木に基づく変換にロバストな汎用ポイントクラウドエンコーダであるpointtreeを提案する。
我々のアプローチの鍵は、主成分分析(PCA)を用いたK-D木における分割則の設計である。
リラックスしたk-d木の構造を計算グラフとして使用し,その特徴を境界ディスクリプタとしてモデル化し,ポイントワイズ最大演算と融合する。
このアーキテクチャ設計に加えて,PCAをベースとした簡易かつ効果的な正規化方式である事前調整を導入することにより,ロバスト性をさらに向上する。
我々のPointTreeエンコーダは、広くベンチマークされたデータセットの様々な変換されたバージョンにおけるオブジェクト分類からセマンティックセグメンテーションへの応用において、常に最先端の手法を大きなマージンで上回ります。
コードと事前トレーニングされたモデルはhttps://github.com/immortalCO/PointTree.comで入手できる。
関連論文リスト
- Hierarchical Prior-based Super Resolution for Point Cloud Geometry
Compression [39.052583172727324]
幾何学に基づくポイントクラウド圧縮(G-PCC)は、ポイントクラウドを圧縮するために移動画像専門家グループによって開発された。
本稿では,点雲幾何学的圧縮のための階層的事前分解能超解法を提案する。
論文 参考訳(メタデータ) (2024-02-17T11:15:38Z) - Point Cloud Compression with Sibling Context and Surface Priors [47.96018990521301]
大規模クラウド圧縮のための新しいオクツリーベースのマルチレベルフレームワークを提案する。
本稿では,オクツリーの階層的依存性を探索する新しいエントロピーモデルを提案する。
表面をボクセルベースの幾何認識モジュールで局所的に整合させ,エントロピー符号化における幾何学的先行情報を提供する。
論文 参考訳(メタデータ) (2022-05-02T09:13:26Z) - Learning Local Displacements for Point Cloud Completion [93.54286830844134]
本稿では,3次元点雲として表現された部分的スキャンからオブジェクトとセマンティックシーンを補完する手法を提案する。
アーキテクチャはエンコーダ-デコーダ構造内で連続的に使用される3つの新しいレイヤに依存している。
オブジェクトと屋内の両方のシーン完了タスクにおけるアーキテクチャの評価を行い、最先端の性能を実現する。
論文 参考訳(メタデータ) (2022-03-30T18:31:37Z) - 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) - OctAttention: Octree-based Large-scale Contexts Model for Point Cloud
Compression [36.77271904751208]
OctAttentionは、点雲のメモリ効率のよい表現であるoctree構造を用いる。
我々の手法は、ボクセルベースラインと比較して95%のコーディング時間を節約する。
従来の最先端技術と比較すると,LiDARベンチマークでは10%-35%のBD-Rateゲインが得られる。
論文 参考訳(メタデータ) (2022-02-12T10:06:12Z) - CP-Net: Contour-Perturbed Reconstruction Network for Self-Supervised
Point Cloud Learning [53.1436669083784]
本稿では,CP-Net(Contour-Perturbed Restruction Network)を提案する。
分類では、ModelNet40(92.5%の精度)とScanObjectNN(87.9%の精度)の完全教師付き手法で競合する結果を得る。
論文 参考訳(メタデータ) (2022-01-20T15:04:12Z) - Robust Partial-to-Partial Point Cloud Registration in a Full Range [12.86951061306046]
本稿では,全方向1の部分対部分点クラウド登録(PPR)のためのポーズ不変対応を推定するグラフマッチング・コンセンサス・ネットワーク(GMCNet)を提案する。
GMCNetは、個別に各点クラウドのポイント記述子を、クロスコンテクスト情報や、トレーニングのための接地真理対応を使わずに符号化する。
論文 参考訳(メタデータ) (2021-11-30T17:56:24Z) - DPC: Unsupervised Deep Point Correspondence via Cross and Self
Construction [29.191330510706408]
本稿では, 形状構造に基づく点雲間のリアルタイム非剛性密度対応法を提案する。
提案手法はディープポイント対応 (DPC) と呼ばれ, 従来の手法と比較してトレーニングデータのごく一部を必要とする。
提案手法は,最近の最先端対応手法と比較して性能が向上する。
論文 参考訳(メタデータ) (2021-10-16T18:41:13Z) - 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) - Rethinking Learnable Tree Filter for Generic Feature Transform [71.77463476808585]
Learnable Tree Filterはセマンティックセグメンテーションのためのモデル構造保存関係に対する顕著なアプローチを示す。
幾何学的制約を緩和するために,マルコフ確率場として再構成して解析を行い,学習可能な不定項を導入する。
セマンティックセグメンテーションでは、ベルとホイッスルなしでCityscapesベンチマークでトップパフォーマンス(82.1% mIoU)を達成しています。
論文 参考訳(メタデータ) (2020-12-07T07:16:47Z)
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。