論文の概要: Composite Layers for Deep Anomaly Detection on 3D Point Clouds
- arxiv url: http://arxiv.org/abs/2209.11796v1
- Date: Fri, 23 Sep 2022 18:32:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-27 14:56:14.702316
- Title: Composite Layers for Deep Anomaly Detection on 3D Point Clouds
- Title(参考訳): 3次元点雲の深部異常検出のための複合層
- Authors: Alberto Floris, Luca Frittoli, Diego Carrera, Giacomo Boracchi
- Abstract要約: 点雲のための新しい畳み込み演算子である複合層を導入する。
ConvPointやKPConvのようなよく知られた点畳み込み層と比較して、我々の複合層はさらなる正規化を提供する。
分類と、最も驚くべきことに、教師なしの異常検出を行うために、コンポジットネットをトレーニングします。
- 参考スコア(独自算出の注目度): 6.304715653196447
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Deep neural networks require specific layers to process point clouds, as the
scattered and irregular location of points prevents us from using convolutional
filters. Here we introduce the composite layer, a new convolutional operator
for point clouds. The peculiarity of our composite layer is that it extracts
and compresses the spatial information from the position of points before
combining it with their feature vectors. Compared to well-known
point-convolutional layers such as those of ConvPoint and KPConv, our composite
layer provides additional regularization and guarantees greater flexibility in
terms of design and number of parameters. To demonstrate the design
flexibility, we also define an aggregate composite layer that combines spatial
information and features in a nonlinear manner, and we use these layers to
implement a convolutional and an aggregate CompositeNet. We train our
CompositeNets to perform classification and, most remarkably, unsupervised
anomaly detection. Our experiments on synthetic and real-world datasets show
that, in both tasks, our CompositeNets outperform ConvPoint and achieve similar
results as KPConv despite having a much simpler architecture. Moreover, our
CompositeNets substantially outperform existing solutions for anomaly detection
on point clouds.
- Abstract(参考訳): 深層ニューラルネットワークは、点の散乱した不規則な位置が、畳み込みフィルタの使用を妨げているため、点雲を処理するために特定の層を必要とする。
ここでは、点雲の新しい畳み込み演算子である複合層を紹介する。
複合層の特徴は,空間情報を点の位置から抽出・圧縮し,それらの特徴ベクトルと組み合わせることである。
ConvPointやKPConvのようなよく知られたポイント畳み込み層と比較して、我々の複合層はさらなる正規化を提供し、設計やパラメータの数の観点から柔軟性を保証します。
設計の柔軟性を示すために,空間情報と特徴を非線形に組み合わせた集合複合層を定義し,これらの層を用いて畳み込みと集合複合ネットを実装した。
コンポジットネットを訓練して分類を行い、最も驚くべきことに、教師なし異常検出を行う。
合成および実世界のデータセットに関する我々の実験は、両方のタスクにおいて、CompositeNetsがConvPointより優れており、より単純なアーキテクチャにもかかわらず、KPConvと同じような結果が得られることを示している。
さらに,我々のコンポジットネットは,ポイントクラウド上の異常検出のための既存のソリューションを実質的に上回っている。
関連論文リスト
- Point Cloud Classification Using Content-based Transformer via
Clustering in Feature Space [25.57569871876213]
本稿では,PointConTと呼ばれるポイントコンテントベースのトランスフォーマーアーキテクチャを提案する。
特徴空間内の点(コンテンツベース)の局所性を利用して、類似した特徴を持つサンプルポイントを同じクラスにクラスタし、各クラス内の自己アテンションを計算する。
また,各枝の高周波・低周波情報を並列構造を用いて個別に集約するインセプション機能アグリゲータも導入した。
論文 参考訳(メタデータ) (2023-03-08T14:11:05Z) - 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) - 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) - ME-CapsNet: A Multi-Enhanced Capsule Networks with Routing Mechanism [0.0]
本研究は,各層の受容領域内の空間成分とチャネル成分の両面を高度に最適化する,新たなソリューションの実現に焦点をあてる。
我々は, カプセル層を戦略的に通過する前に重要な特徴を抽出するために, より深い畳み込み層を導入し, ME-CapsNetを提案する。
より深い畳み込み層にはSqueeze-Excitationネットワークのブロックが含まれており、重要な特徴情報を失うことなく、サンプリングアプローチを使用して相互依存関係を再構築する。
論文 参考訳(メタデータ) (2022-03-29T13:29:38Z) - Augmenting Convolutional networks with attention-based aggregation [55.97184767391253]
我々は,非局所的推論を実現するために,注目に基づくグローバルマップを用いた畳み込みネットワークの強化方法を示す。
この学習集約層を2つのパラメータ(幅と深さ)でパラメータ化した単純パッチベースの畳み込みネットワークで接続する。
これは、特にメモリ消費の点で、精度と複雑さの間の驚くほど競争力のあるトレードオフをもたらす。
論文 参考訳(メタデータ) (2021-12-27T14:05:41Z) - CpT: Convolutional Point Transformer for 3D Point Cloud Processing [10.389972581905]
CpT: Convolutional Point Transformer - 3Dポイントクラウドデータの非構造化の性質を扱うための新しいディープラーニングアーキテクチャ。
CpTは、既存の注目ベースのConvolutions Neural Networksと、以前の3Dポイントクラウド処理トランスフォーマーの改善である。
我々のモデルは、既存の最先端のアプローチと比較して、様々なポイントクラウド処理タスクの効果的なバックボーンとして機能する。
論文 参考訳(メタデータ) (2021-11-21T17:45:55Z) - FatNet: A Feature-attentive Network for 3D Point Cloud Processing [1.502579291513768]
本稿では,グローバルポイントベースの機能とエッジベースの機能を組み合わせた,新たな機能指向ニューラルネットワーク層であるfat layerを提案する。
当社のアーキテクチャは,ModelNet40データセットで示すように,ポイントクラウド分類のタスクにおける最先端の成果を達成する。
論文 参考訳(メタデータ) (2021-04-07T23:13:56Z) - PIG-Net: Inception based Deep Learning Architecture for 3D Point Cloud
Segmentation [0.9137554315375922]
そこで我々はPIG-Netと呼ばれるインセプションに基づくディープネットワークアーキテクチャを提案し,点雲の局所的および大域的幾何学的詳細を効果的に特徴付ける。
我々は2つの最先端データセット上でPIG-Netアーキテクチャの徹底的な実験的解析を行う。
論文 参考訳(メタデータ) (2021-01-28T13:27:55Z) - SPU-Net: Self-Supervised Point Cloud Upsampling by Coarse-to-Fine
Reconstruction with Self-Projection Optimization [52.20602782690776]
実際のスキャンされたスパースデータからトレーニング用の大規模なペアリングスパーススキャンポイントセットを得るのは高価で面倒です。
本研究では,SPU-Net と呼ばれる自己監視型点群アップサンプリングネットワークを提案する。
本研究では,合成データと実データの両方について様々な実験を行い,最先端の教師付き手法と同等の性能が得られることを示す。
論文 参考訳(メタデータ) (2020-12-08T14:14:09Z) - Dual-constrained Deep Semi-Supervised Coupled Factorization Network with
Enriched Prior [80.5637175255349]
本稿では、DS2CF-Netと呼ばれる、拡張された事前制約付きDual-Constrained Deep Semi-Supervised Coupled Factorization Networkを提案する。
隠れた深い特徴を抽出するために、DS2CF-Netは、深い構造と幾何学的な構造に制約のあるニューラルネットワークとしてモデル化される。
我々のネットワークは、表現学習とクラスタリングのための最先端の性能を得ることができる。
論文 参考訳(メタデータ) (2020-09-08T13:10:21Z) - SoftPoolNet: Shape Descriptor for Point Cloud Completion and
Classification [93.54286830844134]
本稿では,点雲に基づく3次元オブジェクトの補完と分類手法を提案する。
デコーダの段階では,グローバルな活性化エントロピーの最大化を目的とした新しい演算子である地域畳み込みを提案する。
我々は,オブジェクトの完成度や分類,最先端の精度の達成など,異なる3次元タスクに対するアプローチを評価する。
論文 参考訳(メタデータ) (2020-08-17T14:32:35Z)
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。