論文の概要: AU-PD: An Arbitrary-size and Uniform Downsampling Framework for Point Clouds

• arxiv url: http://arxiv.org/abs/2211.01110v1
• Date: Wed, 2 Nov 2022 13:37:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-03 14:13:18.906497
• Title: AU-PD: An Arbitrary-size and Uniform Downsampling Framework for Point Clouds
• Title（参考訳）: AU-PD: ポイントクラウドのための任意サイズ一様ダウンサンプリングフレームワーク
• Authors: Peng Zhang, Ruoyin Xie, Jinsheng Sun, Weiqing Li, and Zhiyong Su
• Abstract要約: 我々はAU-PDという新しいタスク対応サンプリングフレームワークを導入し、ポイントクラウドを直接小さなサイズにダウンサンプルする。 私たちは、ダウンストリームタスクの損失によって引き起こされるタスク認識を実現するために、プリサンプルセットを洗練します。 注意機構と適切なトレーニングスキームにより、フレームワークは異なるサイズのプリサンプルセットを適応的に洗練することを学ぶ。
• 参考スコア（独自算出の注目度）: 6.786701761788659
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Point cloud downsampling is a crucial pre-processing operation to downsample the points in the point cloud in order to reduce computational cost, and communication load, to name a few. Recent research on point cloud downsampling has achieved great success which concentrates on learning to sample in a task-aware way. However, existing learnable samplers can not perform arbitrary-size sampling directly. Moreover, their sampled results always comprise many overlapping points. In this paper, we introduce the AU-PD, a novel task-aware sampling framework that directly downsamples point cloud to any smaller size based on a sample-to-refine strategy. Given a specified arbitrary size, we first perform task-agnostic pre-sampling to sample the input point cloud. Then, we refine the pre-sampled set to make it task-aware, driven by downstream task losses. The refinement is realized by adding each pre-sampled point with a small offset predicted by point-wise multi-layer perceptrons (MLPs). In this way, the sampled set remains almost unchanged from the original in distribution, and therefore contains fewer overlapping cases. With the attention mechanism and proper training scheme, the framework learns to adaptively refine the pre-sampled set of different sizes. We evaluate sampled results for classification and registration tasks, respectively. The proposed AU-PD gets competitive downstream performance with the state-of-the-art method while being more flexible and containing fewer overlapping points in the sampled set. The source code will be publicly available at https://zhiyongsu.github.io/Project/AUPD.html.
• Abstract（参考訳）: ポイントクラウドダウンサンプリング(point cloud downsampling)は、計算コストと通信負荷を削減するためにポイントクラウド内のポイントをダウンサンプルする、重要な前処理操作である。 ポイントクラウドのダウンサンプリングに関する最近の研究は、タスク対応の方法でのサンプル学習に集中して大きな成功を収めています。 しかし、既存の学習可能なサンプルは任意の大きさのサンプリングを直接実行することはできない。 さらに、サンプリングされた結果は、常に多くの重複点から構成される。 本稿では,新しいタスク対応サンプリングフレームワークであるAU-PDを紹介する。 任意のサイズが与えられた場合、最初にタスクに依存しない事前サンプリングを行い、入力ポイントクラウドをサンプリングします。 そして、ダウンストリームタスクの損失によって、プリサンプルセットを改良してタスク認識します。 各プリサンプル点に、ポイントワイド多層パーセプトロン(MLP)によって予測される小さなオフセットを付加することにより、精製を実現する。 このように、サンプル集合は元の分布とほとんど変わらないため、重複するケースが少なくなる。 注意機構と適切なトレーニングスキームにより、フレームワークは異なるサイズのプリサンプルセットを適応的に洗練することを学ぶ。 分類タスクと登録タスクのサンプル結果をそれぞれ評価した。 提案するau-pdは,より柔軟で,サンプリングされた集合の重なり点を少なく抑えつつ,最先端法と競合する下流性能を得る。 ソースコードはhttps://zhiyongsu.github.io/Project/AUPD.htmlで公開されている。

関連論文リスト

• Learning Continuous Implicit Field with Local Distance Indicator for Arbitrary-Scale Point Cloud Upsampling [55.05706827963042]
  点雲アップサンプリングは、疎点雲から密度が高く均一に分散した点集合を生成することを目的としている。 従来のメソッドは通常、スパースポイントクラウドをいくつかのローカルパッチ、アップサンプルパッチポイント、すべてのアップサンプルパッチにマージする。 そこで本研究では,点雲のアップサンプリングのために,局所的な先行者によって導かれる符号のない距離場を学習する手法を提案する。
  論文  参考訳（メタデータ） (2023-12-23T01:52:14Z)
• Grad-PU: Arbitrary-Scale Point Cloud Upsampling via Gradient Descent with Learned Distance Functions [77.32043242988738]
  我々は、任意のアップサンプリングレートをサポートする、正確なポイントクラウドアップサンプリングのための新しいフレームワークを提案する。 提案手法は,まず,所定のアップサンプリング率に応じて低解像度の雲を補間する。
  論文  参考訳（メタデータ） (2023-04-24T06:36:35Z)
• APSNet: Attention Based Point Cloud Sampling [0.7734726150561088]
  我々は,この問題に対処するため,アテンションベースのポイントクラウドサンプリングネットワーク(APSNet)を開発した。 APSNetの教師付き学習と知識蒸留に基づく自己教師型学習の両方を提案する。 実験では、様々な下流タスクにおける最先端技術に対するAPSNetの優れた性能を示す。
  論文  参考訳（メタデータ） (2022-10-11T17:30:46Z)
• Arbitrary Point Cloud Upsampling with Spherical Mixture of Gaussians [1.2375561840897737]
  APU-SMOGはArbitrary Point Cloud Upsampling (APU)のためのTransformerベースのモデルである APU-SMOGは最先端の固定比法より優れている。
  論文  参考訳（メタデータ） (2022-08-10T11:10:16Z)
• BIMS-PU: Bi-Directional and Multi-Scale Point Cloud Upsampling [60.257912103351394]
  我々はBIMS-PUと呼ばれる新しいポイント・クラウド・アップサンプリング・パイプラインを開発した。 対象のサンプリング因子を小さな因子に分解することにより,アップ/ダウンサンプリング手順をいくつかのアップ/ダウンサンプリングサブステップに分解する。 提案手法は最先端手法よりも優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-25T13:13:37Z)
• Self-Supervised Arbitrary-Scale Point Clouds Upsampling via Implicit Neural Representation [79.60988242843437]
  そこで本研究では,自己監督型および倍率フレキシブルな点雲を同時にアップサンプリングする手法を提案する。 実験結果から, 自己教師あり学習に基づく手法は, 教師あり学習に基づく手法よりも, 競争力や性能が向上することが示された。
  論文  参考訳（メタデータ） (2022-04-18T07:18:25Z)
• Meta-Sampler: Almost-Universal yet Task-Oriented Sampling for Point Clouds [46.33828400918886]
  複数のタスクにまたがって、ほぼ普遍的なメタサンプルをトレーニングする方法を示します。 このメタサンプルは、異なるデータセットやネットワーク、あるいは異なるタスクに適用した場合、迅速に微調整できる。
  論文  参考訳（メタデータ） (2022-03-30T02:21:34Z)
• Beyond Farthest Point Sampling in Point-Wise Analysis [52.218037492342546]
  本稿では,ポイントワイズ分析タスクのための新しいデータ駆動型サンプル学習手法を提案する。 我々はサンプルと下流のアプリケーションを共同で学習する。 実験により, 従来のベースライン法に比べて, サンプルとタスクの同時学習が顕著に改善することが示された。
  論文  参考訳（メタデータ） (2021-07-09T08:08:44Z)
• PointLIE: Locally Invertible Embedding for Point Cloud Sampling and Recovery [35.353458457283544]
  ポイントクラウドサンプリングとリカバリ(PCSR)は、大規模なリアルタイムクラウド収集と処理に不可欠である。 ポイントクラウド適応型サンプリング・リカバリのためのローカル・インバータブル・エンベディング(PointLIE)を提案する。 PointLIEは、双方向学習を通じて、ポイントクラウドサンプリングと1つのフレームワークへのアップサンプリングを統一する。
  論文  参考訳（メタデータ） (2021-04-30T05:55:59Z)
• Learning a Unified Sample Weighting Network for Object Detection [113.98404690619982]
  地域サンプリングや重み付けは、現代の地域ベースの物体検出器の成功に極めて重要である。 サンプル重み付けはデータ依存でタスク依存であるべきだと我々は主張する。 サンプルのタスク重みを予測するための統一的なサンプル重み付けネットワークを提案する。
  論文  参考訳（メタデータ） (2020-06-11T16:19:16Z)

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。