論文の概要: Rethinking the compositionality of point clouds through regularization
in the hyperbolic space
- arxiv url: http://arxiv.org/abs/2209.10318v1
- Date: Wed, 21 Sep 2022 12:45:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2022-09-22 17:12:22.649460
- Title: Rethinking the compositionality of point clouds through regularization
in the hyperbolic space
- Title（参考訳）: 双曲空間における正則化による点雲の構成性の再考
- Authors: Antonio Montanaro, Diego Valsesia, Enrico Magli
- Abstract要約: 双曲空間は、階層のツリーのような性質を埋め込むことのできる唯一の空間である。
これにより、ポイントクラウド分類のための最先端の教師付きモデルの性能が大幅に向上する。
- 参考スコア（独自算出の注目度）: 23.779985842891705
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Point clouds of 3D objects exhibit an inherent compositional nature where
simple parts can be assembled into progressively more complex shapes to form
whole objects. Explicitly capturing such part-whole hierarchy is a long-sought
objective in order to build effective models, but its tree-like nature has made
the task elusive. In this paper, we propose to embed the features of a point
cloud classifier into the hyperbolic space and explicitly regularize the space
to account for the part-whole hierarchy. The hyperbolic space is the only space
that can successfully embed the tree-like nature of the hierarchy. This leads
to substantial improvements in the performance of state-of-art supervised
models for point cloud classification.
- Abstract（参考訳）: 3Dオブジェクトの点雲は、単純な部品を徐々に複雑な形状に組み立てて全体を形成するという、固有の構成特性を示す。
このような部分的な階層を明示的に捉えることは、効果的なモデルを構築するための長い目標であるが、その木のような性質はタスクを不可解なものにした。
本稿では,点クラウド分類器の特徴を双曲空間に埋め込んで,部分全体階層を考慮した空間を明示的に正規化することを提案する。
双曲空間は、木のような階層の性質をうまく埋め込むことのできる唯一の空間である。
これにより、ポイントクラウド分類のための最先端の教師付きモデルの性能が大幅に向上する。
関連論文リスト
- Understanding and Mitigating Hyperbolic Dimensional Collapse in Graph Contrastive Learning [70.0681902472251]
双曲空間における高品質グラフ埋め込みを学習するための新しいコントラスト学習フレームワークを提案する。
具体的には、階層的なデータ不変情報を効果的にキャプチャするアライメントメトリックを設計する。
双曲空間において、木の性質に関連する葉と高さの均一性に対処する必要があることを示す。
論文 参考訳（メタデータ） (2023-10-27T15:31:42Z) - Neural Intrinsic Embedding for Non-rigid Point Cloud Matching [0.7734726150561088]
非剛性クラウド登録のための弱教師付き学習フレームワークを提案する。
私たちは、我々のフレームワークが最先端のベースラインと同等かそれ以上にパフォーマンスを示していることを実証的に示します。
論文 参考訳（メタデータ） (2023-03-02T07:50:41Z) - Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud
Analysis [66.49788145564004]
我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。
我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
論文 参考訳（メタデータ） (2022-12-17T15:05:25Z) - Planning with Spatial-Temporal Abstraction from Point Clouds for
Deformable Object Manipulation [64.00292856805865]
空間抽象と時間抽象の両方を組み込んだ空間抽象型PlAnning(PASTA)を提案する。
我々のフレームワークは,高次元の3次元観測を潜時ベクトルの集合にマッピングし,潜時集合表現の上のスキルシーケンスを計画する。
本手法は,実世界のオブジェクト操作を効果的に行うことができることを示す。
論文 参考訳（メタデータ） (2022-10-27T19:57:04Z) - Topologically Persistent Features-based Object Recognition in Cluttered
Indoor Environments [1.2691047660244335]
見えない屋内環境における隠蔽物体の認識は、移動ロボットにとって困難な問題である。
本研究では,物体点雲の3次元形状を捉えるスライシングに基づく新しいトポロジカルディスクリプタを提案する。
これは、隠蔽対象のディスクリプタとそれに対応する非隠蔽対象との類似性を生じさせ、オブジェクトのユニティに基づく認識を可能にする。
論文 参考訳（メタデータ） (2022-05-16T07:01:16Z) - Autoregressive 3D Shape Generation via Canonical Mapping [92.91282602339398]
トランスフォーマーは、画像、音声、テキスト生成など、様々な生成タスクで顕著なパフォーマンスを示している。
本稿では,変圧器のパワーをさらに活用し,それを3Dポイントクラウド生成のタスクに活用することを目的とする。
条件付き形状生成への応用として,本モデルを簡単にマルチモーダル形状完成に拡張することができる。
論文 参考訳（メタデータ） (2022-04-05T03:12:29Z) - Learning a Structured Latent Space for Unsupervised Point Cloud
Completion [48.79411151132766]
部分点雲と完全点雲の両方を符号化する統一的で構造化された潜在空間を学習する新しいフレームワークを提案する。
提案手法は、合成ShapeNetと実世界のKITTI、ScanNet、Matterport3Dデータセットの両方において、最先端の教師なし手法を一貫して上回っている。
論文 参考訳（メタデータ） (2022-03-29T13:58:44Z) - 3D Object Classification on Partial Point Clouds: A Practical
Perspective [91.81377258830703]
点雲は3次元オブジェクト分類において一般的な形状表現である。
本稿では,任意のポーズの下でオブジェクトインスタンスの部分点雲を分類する実践的な設定を提案する。
本稿では,アライメント分類手法による新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-12-18T04:00:56Z) - Global-Local Bidirectional Reasoning for Unsupervised Representation
Learning of 3D Point Clouds [109.0016923028653]
局所構造とグローバル形状の双方向推論による点雲表現を人間の監督なしに学習する。
本研究では, 実世界の3次元オブジェクト分類データセットにおいて, 教師なしモデルが最先端の教師付き手法を超越していることを示す。
論文 参考訳（メタデータ） (2020-03-29T08:26:08Z)
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。