論文の概要: Point-Voxel Adaptive Feature Abstraction for Robust Point Cloud
Classification
- arxiv url: http://arxiv.org/abs/2210.15514v1
- Date: Thu, 27 Oct 2022 14:49:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-28 14:39:09.727341
- Title: Point-Voxel Adaptive Feature Abstraction for Robust Point Cloud
Classification
- Title(参考訳): ロバストなポイントクラウド分類のためのpoint-voxel適応的特徴抽象化
- Authors: Lifa Zhu, Changwei Lin, Cheng Zheng, Ninghua Yang
- Abstract要約: 本稿では, 様々な汚職下でのロバストな点雲分類のためのPV-Ada (Point-Voxel based Adaptive) を提案する。
ModelNet-Cデータセットの実験では、PV-Adaが最先端の手法より優れていることが示されている。
- 参考スコア(独自算出の注目度): 1.2412255325209156
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Great progress has been made in point cloud classification with
learning-based methods. However, complex scene and sensor inaccuracy in
real-world application make point cloud data suffer from corruptions, such as
occlusion, noise and outliers. In this work, we propose Point-Voxel based
Adaptive (PV-Ada) feature abstraction for robust point cloud classification
under various corruptions. Specifically, the proposed framework iteratively
voxelize the point cloud and extract point-voxel feature with shared local
encoding and Transformer. Then, adaptive max-pooling is proposed to robustly
aggregate the point cloud feature for classification. Experiments on ModelNet-C
dataset demonstrate that PV-Ada outperforms the state-of-the-art methods. In
particular, we rank the $2^{nd}$ place in ModelNet-C classification track of
PointCloud-C Challenge 2022, with Overall Accuracy (OA) being 0.865. Code will
be available at https://github.com/zhulf0804/PV-Ada.
- Abstract(参考訳): ポイントクラウド分類では,学習に基づく手法が大きな進歩を遂げている。
しかし、現実世界のアプリケーションにおける複雑なシーンとセンサーの不正確さにより、ポイントクラウドデータは、閉塞、ノイズ、外れ値などの汚職に悩まされる。
本稿では,様々な腐敗下でのロバストなポイントクラウド分類のための,ポイントボクセル型適応型(pv-ada)機能抽象化を提案する。
具体的には、ポイントクラウドを反復的にボクセル化し、共有ローカルエンコーディングとトランスフォーマーでポイントボクセル特徴を抽出する。
次に,ポイントクラウドの特徴をロバストに集約して分類するために,適応型maxプールを提案する。
ModelNet-Cデータセットの実験では、PV-Adaは最先端の手法よりも優れています。
特に、PointCloud-C Challenge 2022 の ModelNet-C 分類トラックで 2^{nd}$ place をランク付けし、総合的精度 (OA) は0.865 である。
コードはhttps://github.com/zhulf0804/pv-adaで入手できる。
関連論文リスト
- PIVOT-Net: Heterogeneous Point-Voxel-Tree-based Framework for Point
Cloud Compression [8.778300313732027]
異種クラウド圧縮(PCC)フレームワークを提案する。
私たちは、典型的なポイントクラウド表現 -- ポイントベース、ボクセルベース、ツリーベース表現 -- と関連するバックボーンを統一します。
本稿では,デコードのためのコンテキスト対応アップサンプリングと,機能集約のための拡張ボクセルトランスフォーマーによりフレームワークを増強する。
論文 参考訳(メタデータ) (2024-02-11T16:57:08Z) - Point Cloud Pre-training with Diffusion Models [62.12279263217138]
我々は、ポイントクラウド拡散事前学習(PointDif)と呼ばれる新しい事前学習手法を提案する。
PointDifは、分類、セグメンテーション、検出など、さまざまな下流タスクのために、さまざまな現実世界のデータセット間で大幅に改善されている。
論文 参考訳(メタデータ) (2023-11-25T08:10:05Z) - Variational Relational Point Completion Network for Robust 3D
Classification [59.80993960827833]
可変点雲補完法は、局所的な詳細を欠くため、大域的な形状の骨格を生成する傾向がある。
本稿では2つの魅力的な特性を持つ変分フレームワークであるポイントコンプリートネットワーク(VRCNet)を提案する。
VRCNetは、現実世界のポイントクラウドスキャンにおいて、非常に一般化性と堅牢性を示している。
論文 参考訳(メタデータ) (2023-04-18T17:03:20Z) - Point-Syn2Real: Semi-Supervised Synthetic-to-Real Cross-Domain Learning
for Object Classification in 3D Point Clouds [14.056949618464394]
LiDAR 3Dポイントクラウドデータを用いたオブジェクト分類は、自律運転のような現代的なアプリケーションにとって重要である。
本稿では,ポイントクラウドのマニュアルアノテーションに依存しない半教師付きクロスドメイン学習手法を提案する。
我々は、ポイントクラウド上でのクロスドメイン学習のための新しいベンチマークデータセットであるPoint-Syn2Realを紹介した。
論文 参考訳(メタデータ) (2022-10-31T01:53:51Z) - 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) - SCTN: Sparse Convolution-Transformer Network for Scene Flow Estimation [71.2856098776959]
点雲は非秩序であり、その密度は著しく一様ではないため、点雲の3次元運動の推定は困難である。
本稿では,sparse convolution-transformer network (sctn) という新しいアーキテクチャを提案する。
学習した関係に基づく文脈情報が豊富で,対応点の一致に役立ち,シーンフローの推定に有効であることを示す。
論文 参考訳(メタデータ) (2021-05-10T15:16:14Z) - PointCutMix: Regularization Strategy for Point Cloud Classification [7.6904253666422395]
本稿では,pointcutmixという,ポイントクラウドデータの簡易かつ効果的な拡張手法を提案する。
2つの点雲間の最適な割り当てを見つけ、1つのサンプルの点を最適に割り当てられたペアに置き換えることで、新しいトレーニングデータを生成する。
論文 参考訳(メタデータ) (2021-01-05T11:39:06Z) - Multi-scale Receptive Fields Graph Attention Network for Point Cloud
Classification [35.88116404702807]
MRFGATアーキテクチャはModelNet10とModelNet40データセットでテストされている。
その結果,形状分類作業における最先端性能が得られた。
論文 参考訳(メタデータ) (2020-09-28T13:01:28Z) - 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) - Learning Gradient Fields for Shape Generation [69.85355757242075]
点雲は、その形状の表面に密度が集中している3D点の分布からサンプルと見なすことができる。
非正規化確率密度の勾配上昇を行うことで点雲を生成する。
本モデルは,ログ密度場の勾配を直接予測し,スコアベース生成モデルに適応した単純な目的で学習することができる。
論文 参考訳(メタデータ) (2020-08-14T18:06:15Z)
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。