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
- Dynamic 3D Point Cloud Sequences as 2D Videos [81.46246338686478]
3Dポイントクラウドシーケンスは、現実世界の環境における最も一般的で実用的な表現の1つとして機能する。
textitStructured Point Cloud Videos (SPCV) と呼ばれる新しい汎用表現を提案する。
SPCVは点雲列を空間的滑らかさと時間的一貫性を持つ2Dビデオとして再編成し、画素値は点の3D座標に対応する。
論文 参考訳（メタデータ） (2024-03-02T08:18:57Z) - SeMLaPS: Real-time Semantic Mapping with Latent Prior Networks and
Quasi-Planar Segmentation [53.83313235792596]
本稿では,RGB-Dシーケンスからのリアルタイム意味マッピングのための新しい手法を提案する。
2DニューラルネットワークとSLAMシステムに基づく3Dネットワークと3D占有マッピングを組み合わせる。
本システムは,2D-3Dネットワークベースシステムにおいて,最先端のセマンティックマッピング品質を実現する。
論文 参考訳（メタデータ） (2023-06-28T22:36:44Z) - 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) - SVNet: Where SO(3) Equivariance Meets Binarization on Point Cloud
Representation [65.4396959244269]
本論文は,3次元学習アーキテクチャを構築するための一般的なフレームワークを設計することによる課題に対処する。
提案手法はPointNetやDGCNNといった一般的なバックボーンに適用できる。
ModelNet40、ShapeNet、および実世界のデータセットであるScanObjectNNの実験では、この手法が効率、回転、精度の間の大きなトレードオフを達成することを示した。
論文 参考訳（メタデータ） (2022-09-13T12:12:19Z) - 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) - 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) - 3D Point Cloud Registration with Multi-Scale Architecture and
Self-supervised Fine-tuning [5.629161809575013]
MS-SVConvは、2つのシーン間の3D登録のためにポイントクラウドから機能を出力する高速マルチスケールディープニューラルネットワークです。
競合的かつよく知られた3DMatchベンチマークでは,最先端の手法と比較して,大幅な改善が見られた。
我々は,未知のデータセットを自己管理的に微調整し,ETHおよびTUMデータセットの最先端結果をもたらす戦略を提案する。
論文 参考訳（メタデータ） (2021-03-26T15:38:33Z) - 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) - FPConv: Learning Local Flattening for Point Convolution [64.01196188303483]
FPConvは3次元点雲解析のために設計された新しい表面形状の畳み込み演算子である。
従来の方法とは異なり、FPConvは3Dグリッドやグラフのような中間表現への変換を必要としない。
FPConvは3Dオブジェクト分類や3Dシーンセグメンテーションといったタスクのために、様々なネットワークアーキテクチャに簡単に統合できる。
論文 参考訳（メタデータ） (2020-02-25T07:15:08Z)
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。