論文の概要: Diffusion Unit: Interpretable Edge Enhancement and Suppression Learning for 3D Point Cloud Segmentation

• arxiv url: http://arxiv.org/abs/2209.09483v3
• Date: Tue, 17 Oct 2023 09:22:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-18 23:01:55.018570
• Title: Diffusion Unit: Interpretable Edge Enhancement and Suppression Learning for 3D Point Cloud Segmentation
• Title（参考訳）: 拡散ユニット:3Dポイントクラウドセグメンテーションのための解釈可能なエッジ強化と抑圧学習
• Authors: Haoyi Xiu, Xin Liu, Weimin Wang, Kyoung-Sook Kim, Takayuki Shinohara, Qiong Chang, Masashi Matsuoka
• Abstract要約: 3次元点雲は連続した表面の離散的なサンプルであり、様々な用途に利用できる。 真の接続情報、すなわちエッジ情報の欠如は、ポイントクラウド認識を困難にしている。 最近のエッジ認識手法は、エッジモデリングをネットワーク設計に組み込んで、局所構造をよりよく記述している。 本稿では,エッジ情報を原理的かつ解釈可能な方法で処理するDiffusion Unit (DU) を提案する。
• 参考スコア（独自算出の注目度）: 8.79434587245741
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 3D point clouds are discrete samples of continuous surfaces which can be used for various applications. However, the lack of true connectivity information, i.e., edge information, makes point cloud recognition challenging. Recent edge-aware methods incorporate edge modeling into network designs to better describe local structures. Although these methods show that incorporating edge information is beneficial, how edge information helps remains unclear, making it difficult for users to analyze its usefulness. To shed light on this issue, in this study, we propose a new algorithm called Diffusion Unit (DU) that handles edge information in a principled and interpretable manner while providing decent improvement. First, we theoretically show that DU learns to perform task-beneficial edge enhancement and suppression. Second, we experimentally observe and verify the edge enhancement and suppression behavior. Third, we empirically demonstrate that this behavior contributes to performance improvement. Extensive experiments and analyses performed on challenging benchmarks verify the effectiveness of DU. Specifically, our method achieves state-of-the-art performance in object part segmentation using ShapeNet part and scene segmentation using S3DIS. Our source code is available at https://github.com/martianxiu/DiffusionUnit.
• Abstract（参考訳）: 3次元点雲は連続表面の離散的なサンプルであり、様々な用途に利用できる。 しかし、真の接続情報、すなわちエッジ情報の欠如は、ポイントクラウド認識を困難にしている。 最近のエッジ認識手法は、エッジモデリングをネットワーク設計に組み込んで、局所構造をよりよく記述している。 これらの手法は、エッジ情報の導入が有用であることを示すが、エッジ情報がどのように役立つかは不明確であり、ユーザがその有用性を分析することは困難である。 そこで本研究では,エッジ情報を原理的かつ解釈可能な方法で処理し,良好な改善を実現するDiffusion Unit(DU)というアルゴリズムを提案する。 まず,duがタスク指向のエッジ強化と抑制を行うことを理論的に示す。 第2に,エッジの強化と抑制行動を実験的に観察し,検証する。 第3に、この振る舞いがパフォーマンス改善に寄与することを実証的に示します。 難解なベンチマークで行った広範囲な実験と分析は、duの有効性を検証する。 具体的には、ShapeNet部分とS3DISを用いたシーンセグメンテーションを用いて、オブジェクト部分セグメンテーションにおける最先端性能を実現する。 ソースコードはhttps://github.com/martianxiu/diffusionunitで入手できます。

関連論文リスト

• Test-Time Augmentation for 3D Point Cloud Classification and Segmentation [40.62640761825697]
  データ拡張は、ディープラーニングタスクのパフォーマンスを向上させるための強力なテクニックである。 本研究は,3次元点雲に対するTTA(Test-time augmentation)について検討する。
  論文  参考訳（メタデータ） (2023-11-22T04:31:09Z)
• 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)
• Point2Vec for Self-Supervised Representation Learning on Point Clouds [66.53955515020053]
  Data2vecをポイントクラウド領域に拡張し、いくつかのダウンストリームタスクで推奨される結果を報告します。 我々は、ポイントクラウド上でData2vecライクな事前トレーニングの可能性を解放するpoint2vecを提案する。
  論文  参考訳（メタデータ） (2023-03-29T10:08:29Z)
• ALSO: Automotive Lidar Self-supervision by Occupancy estimation [70.70557577874155]
  本稿では,ポイントクラウド上で動作している深層知覚モデルのバックボーンを事前学習するための自己教師型手法を提案する。 中心となる考え方は、3Dポイントがサンプリングされる表面の再構成であるプリテキストタスクでモデルをトレーニングすることである。 直感的には、もしネットワークがわずかな入力ポイントのみを考慮し、シーン表面を再構築できるなら、おそらく意味情報の断片をキャプチャする。
  論文  参考訳（メタデータ） (2022-12-12T13:10:19Z)
• Enhancing Local Feature Learning Using Diffusion for 3D Point Cloud Understanding [10.449455311881398]
  本研究では,作業機構を明確化しつつ,エッジの強化・抑制を自動的に学習する手法を提案する。 一般に,提案手法は,ポイントクラウドの分類とセグメンテーションタスクにおける競合性能を実現する。
  論文  参考訳（メタデータ） (2022-07-04T03:09:56Z)
• Unsupervised Representation Learning for 3D Point Cloud Data [66.92077180228634]
  我々は、教師なしのポイントクラウド学習に対して、シンプルで効果的なアプローチを提案する。 特に、原点雲の優れたコントラストバージョンを生成する非常に有用な変換を同定する。 本研究では,3次元オブジェクト分類,形状部分分割,シーン分割の3つの下流タスクについて実験を行った。
  論文  参考訳（メタデータ） (2021-10-13T10:52:45Z)
• 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 Discriminative Learning for Unsupervised Representation Learning on 3D Point Clouds [54.31515001741987]
  3次元点雲上での教師なし表現学習のための点識別学習法を提案する。 我々は、中間レベルとグローバルレベルの特徴に新しい点識別損失を課すことにより、これを達成した。 提案手法は強力な表現を学習し,新しい最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-08-04T15:11:48Z)
• JSENet: Joint Semantic Segmentation and Edge Detection Network for 3D Point Clouds [37.703770427574476]
  本稿では,初めて3次元意味的エッジ検出タスクに取り組む。 本稿では,2つのタスクを共同で行う2ストリーム完全畳み込みネットワークを提案する。 特に,両タスクの性能向上のために,領域情報とエッジ情報を明示的に関連付ける共同改良モジュールを設計する。
  論文  参考訳（メタデータ） (2020-07-14T08:00:35Z)
• Label-Efficient Learning on Point Clouds using Approximate Convex Decompositions [43.1279121348315]
  本稿では,ACD(Adroximate Convex Decompositions)を用いて,点雲表現のラベル効率の学習を行う。 我々は,ACDを用いて3次元点雲表現の学習に優れた自己スーパービジョンを提供することを示す。
  論文  参考訳（メタデータ） (2020-03-30T21:44:43Z)

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。