Fugu-MT 論文翻訳(概要): An Adjustable Farthest Point Sampling Method for Approximately-sorted Point Cloud Data

論文の概要: An Adjustable Farthest Point Sampling Method for Approximately-sorted Point Cloud Data

arxiv url: http://arxiv.org/abs/2208.08795v1
Date: Thu, 18 Aug 2022 12:23:26 GMT
ステータス: 処理完了
システム内更新日: 2022-08-19 14:04:54.201997
Title: An Adjustable Farthest Point Sampling Method for Approximately-sorted Point Cloud Data
Title（参考訳）: 略分類点クラウドデータの調整可能な極点サンプリング法
Authors: Jingtao Li, Jian Zhou, Yan Xiong, Xing Chen and Chaitali Chakrabarti
Abstract要約: サンプリング性能を損なうことなく、FPSの複雑さを積極的に軽減するために、Mによりパラメータ化された調整可能なFPS(AFPS)を提案する。 AFPS法はオリジナルのFPSの22倍から30倍の高速化を実現することができる。また,距離更新回数を一定数に制限するN法を提案する。
参考スコア（独自算出の注目度）: 13.037325916265639
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Sampling is an essential part of raw point cloud data processing such as in the popular PointNet++ scheme. Farthest Point Sampling (FPS), which iteratively samples the farthest point and performs distance updating, is one of the most popular sampling schemes. Unfortunately it suffers from low efficiency and can become the bottleneck of point cloud applications. We propose adjustable FPS (AFPS), parameterized by M, to aggressively reduce the complexity of FPS without compromising on the sampling performance. Specifically, it divides the original point cloud into M small point clouds and samples M points simultaneously. It exploits the dimensional locality of an approximately sorted point cloud data to minimize its performance degradation. AFPS method can achieve 22 to 30x speedup over original FPS. Furthermore, we propose the nearest-point-distance-updating (NPDU) method to limit the number of distance updates to a constant number. The combined NPDU on AFPS method can achieve a 34-280x speedup on a point cloud with 2K-32K points with algorithmic performance that is comparable to the original FPS. For instance, for the ShapeNet part segmentation task, it achieves 0.8490 instance average mIoU (mean Intersection of Union), which is only 0.0035 drop compared to the original FPS.
Abstract（参考訳）: サンプリングは、人気のあるPointNet++スキームのような生のポイントクラウドデータ処理の重要な部分である。最遠点サンプリング(farthest point sampling, fps)は、最遠点を反復的にサンプリングし、距離更新を行う、最も人気のあるサンプリングスキームの1つである。残念ながら効率が悪く、ポイントクラウドアプリケーションのボトルネックになる可能性がある。サンプリング性能を損なうことなく、FPSの複雑さを積極的に軽減するために、Mによりパラメータ化された調整可能なFPS(AFPS)を提案する。具体的には、元の点雲をM小点雲に分割し、同時にM点をサンプリングする。ほぼソートされた点クラウドデータの次元的局所性を利用して、その性能劣化を最小限に抑える。 AFPS法はオリジナルのFPSの22倍から30倍の高速化を実現する。さらに,距離更新回数を一定数に制限するNPDU法を提案する。 AFPS法で組み合わせたNPDUは、元のFPSに匹敵するアルゴリズム性能を持つ2K-32K点の点雲上で34-280倍の高速化を達成することができる。例えば、ShapeNetのセグメンテーションタスクでは、0.8490インスタンス平均mIoUを達成しており、元のFPSと比較してわずか0.0035ドロップである。

関連論文リスト

Point Cloud Mamba: Point Cloud Learning via State Space Model [73.7454734756626]
我々は,マンバをベースとしたポイントクラウド法が,トランスフォーマや多層パーセプトロン(MLP)に基づく従来手法よりも優れていることを示す。特に,マルチ層パーセプトロン(MLP)を用いて,マンバをベースとした点雲法が従来手法より優れていることを示す。 Point Cloud Mambaは、最先端(SOTA)のポイントベースメソッドであるPointNeXtを超え、ScanNN、ModelNet40、ShapeNetPart、S3DISデータセット上での新たなSOTAパフォーマンスを達成する。
論文参考訳（メタデータ） (2024-03-01T18:59:03Z)
Learning Continuous Implicit Field with Local Distance Indicator for Arbitrary-Scale Point Cloud Upsampling [55.05706827963042]
点雲アップサンプリングは、疎点雲から密度が高く均一に分散した点集合を生成することを目的としている。従来のメソッドは通常、スパースポイントクラウドをいくつかのローカルパッチ、アップサンプルパッチポイント、すべてのアップサンプルパッチにマージする。そこで本研究では,点雲のアップサンプリングのために,局所的な先行者によって導かれる符号のない距離場を学習する手法を提案する。
論文参考訳（メタデータ） (2023-12-23T01:52:14Z)
Hierarchical Adaptive Voxel-guided Sampling for Real-time Applications in Large-scale Point Clouds [6.094829692829813]
本稿では,線形複雑化と高並列化を実現した階層型適応型ボクセル誘導点サンプリング器を提案する。提案手法は,100倍以上の速度で,最も強力なFPSと競合する性能を実現する。我々のサンプルは既存のモデルに簡単に統合でき、最小限の労力でランタイムを20$sim$80%削減できる。
論文参考訳（メタデータ） (2023-05-23T17:45:49Z)
Grad-PU: Arbitrary-Scale Point Cloud Upsampling via Gradient Descent with Learned Distance Functions [77.32043242988738]
我々は、任意のアップサンプリングレートをサポートする、正確なポイントクラウドアップサンプリングのための新しいフレームワークを提案する。提案手法は,まず,所定のアップサンプリング率に応じて低解像度の雲を補間する。
論文参考訳（メタデータ） (2023-04-24T06:36:35Z)
IC-FPS: Instance-Centroid Faster Point Sampling Module for 3D Point-base Object Detection [0.5249805590164902]
本研究は,大規模クラウド上でのポイントベース手法の低効率化に焦点をあてる。既存の点ベース手法では、ダウンサンプリングのための極端点サンプリング(FPS)戦略を採用している。本稿では,非常に面倒な最初のSet Abstraction (SA) レイヤを効果的に置き換える新しいインスタンス・センタロイド高速点サンプリングモジュール (IC-FPS) を提案する。
論文参考訳（メタデータ） (2023-03-31T09:31:29Z)
AU-PD: An Arbitrary-size and Uniform Downsampling Framework for Point Clouds [6.786701761788659]
我々はAU-PDという新しいタスク対応サンプリングフレームワークを導入し、ポイントクラウドを直接小さなサイズにダウンサンプルする。私たちは、ダウンストリームタスクの損失によって引き起こされるタスク認識を実現するために、プリサンプルセットを洗練します。注意機構と適切なトレーニングスキームにより、フレームワークは異なるサイズのプリサンプルセットを適応的に洗練することを学ぶ。
論文参考訳（メタデータ） (2022-11-02T13:37:16Z)
Stratified Transformer for 3D Point Cloud Segmentation [89.9698499437732]
Stratified Transformerは、長距離コンテキストをキャプチャし、強力な一般化能力と高性能を示す。不規則な点配置によって引き起こされる課題に対処するために,局所情報を集約する第1層点埋め込みを提案する。 S3DIS, ScanNetv2およびShapeNetPartデータセットにおける本手法の有効性と優位性を示す実験を行った。
論文参考訳（メタデータ） (2022-03-28T05:35:16Z)
A Conditional Point Diffusion-Refinement Paradigm for 3D Point Cloud Completion [69.32451612060214]
実スキャンされた3Dポイントクラウドはしばしば不完全であり、下流アプリケーションのために完全なポイントクラウドを復元することが重要である。ほとんどの既存のポイントクラウド補完方法は、トレーニングにチャンファー距離(CD)損失を使用する。本稿では,点雲完了のためのPDR(Point Diffusion-Refinement)パラダイムを提案する。
論文参考訳（メタデータ） (2021-12-07T06:59:06Z)
DV-Det: Efficient 3D Point Cloud Object Detection with Dynamic Voxelization [0.0]
本稿では,効率的な3Dポイント・クラウド・オブジェクト検出のための新しい2段階フレームワークを提案する。生のクラウドデータを3D空間で直接解析するが、目覚ましい効率と精度を実現する。我々は,75 FPSでKITTI 3Dオブジェクト検出データセットを,25 FPSの推論速度で良好な精度でOpenデータセット上で強調する。
論文参考訳（メタデータ） (2021-07-27T10:07:39Z)
Learning Semantic Segmentation of Large-Scale Point Clouds with Random Sampling [52.464516118826765]
我々はRandLA-Netを紹介した。RandLA-Netは、大規模ポイントクラウドのポイントごとの意味を推論する、効率的で軽量なニューラルネットワークアーキテクチャである。我々のアプローチの鍵は、より複雑な点選択アプローチではなく、ランダムな点サンプリングを使用することである。我々のRandLA-Netは、既存のアプローチよりも最大200倍高速な1回のパスで100万ポイントを処理できます。
論文参考訳（メタデータ） (2021-07-06T05:08:34Z)

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。