論文の概要: Point-MA2E: Masked and Affine Transformed AutoEncoder for
Self-supervised Point Cloud Learning
- arxiv url: http://arxiv.org/abs/2211.06841v2
- Date: Sat, 18 Mar 2023 02:41:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-24 02:18:12.720452
- Title: Point-MA2E: Masked and Affine Transformed AutoEncoder for
Self-supervised Point Cloud Learning
- Title（参考訳）: Point-MA2E: 自己教師型ポイントクラウド学習のためのマスクとアフィン変換オートエンコーダ
- Authors: Yabin Zhang, Jiehong Lin, Ruihuang Li, Kui Jia, Lei Zhang
- Abstract要約: 我々は、一般的なマスキング戦略を補完するために、全ての入力ポイントを一定の規則で破壊するアフィン変換を促進する。
我々はエンコーダ・デコーダモデルを学び、オリジナルの点雲を破損したバージョンから再構築する。
提案するコンポーネントの詳細な分析を行い,Point-MA2Eの有効性を検証した。
- 参考スコア（独自算出の注目度）: 39.768077988429184
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Masked modeling has demonstrated its effectiveness in self-supervised point
cloud learning by reconstructing the complete point cloud from its masked
counterpart. Considering that masking only corrupts partial points of the
input, in this paper, we promote the affine transformation, which corrupts all
input points with certain rules, to complement the popular masking strategy,
leading to the Masked and Affine transformed AutoEncoder for point cloud
learning (Point-MA2E). Generally, we corrupt the point cloud with affine
transformation and masking as input and learn an encoder-decoder model to
reconstruct the original point cloud from its corrupted version. Various point
cloud encoders are explored in this study. For non-Transformer encoders, we
follow the common practice to reconstruct the uncorrupted point cloud directly.
For Transformer-based encoders, we decompose the reconstruction of the complete
point cloud into the reconstructions of detailed local patches and rough global
shape, facilitating the pre-training efficiency. We perform in-depth analyses
of the proposed components and validate the effectiveness of Point-MA2E with
extensive experiments on object classification, few-shot learning, robustness
testing, part segmentation, and 3D object detection. The source code will be
made publicly available.
- Abstract（参考訳）: マスク付きモデリングは、マスク付きクラウドから完全なポイントクラウドを再構築することで、自己教師付きポイントクラウド学習においてその効果を実証した。
本稿では,マスキングが入力の部分点のみを損なうことを考慮し,すべての入力点を一定の規則で破るアフィン変換を推奨し,一般的なマスキング戦略を補完し,ポイントクラウド学習のためのマスキングおよびアフィン変換オートエンコーダ(point-ma2e)へと導く。
一般に,アフィン変換とマスキングを入力として点雲を破損させ,エンコーダ・デコーダモデルを学び,原点雲を破損したバージョンから再構築する。
本研究では,様々な点クラウドエンコーダについて検討する。
非トランスフォーマーエンコーダでは、壊れていない点クラウドを直接再構築する一般的なプラクティスに従っています。
トランスフォーマーをベースとしたエンコーダでは,完全点雲の再構成を詳細な局所パッチと粗大域形状の再構成に分解し,事前学習の効率化を図る。
提案するコンポーネントの詳細な分析を行い,オブジェクト分類,少数ショット学習,ロバストネステスト,パートセグメンテーション,および3次元オブジェクト検出におけるpoint-ma2eの有効性を検証する。
ソースコードは一般公開される予定だ。
関連論文リスト
- Sample-adaptive Augmentation for Point Cloud Recognition Against
Real-world Corruptions [20.95456179904285]
本稿では,サンプルの構造に基づくサンプル適応変換をAdaptPointと命名する手法を提案する。
判別器は、原データ分布から逸脱する過度な腐敗の発生を防止するために用いられる。
実験の結果,ModelNet-C,ScanObjectNN-C,ShapeNet-C など,複数の汚損評価ベンチマークにおいて,最先端の結果が得られた。
論文 参考訳（メタデータ） (2023-09-19T08:46:43Z) - Toward Unsupervised 3D Point Cloud Anomaly Detection using Variational
Autoencoder [10.097126085083827]
本稿では3次元点雲に対するエンドツーエンドの教師なし異常検出フレームワークを提案する。
本稿では,3次元点群に適応した深部変分自動エンコーダに基づく非教師なし異常検出ネットワークと,特に3次元点群に対する異常スコアを提案する。
論文 参考訳（メタデータ） (2023-04-07T00:02:37Z) - SeRP: Self-Supervised Representation Learning Using Perturbed Point
Clouds [6.29475963948119]
SeRPはエンコーダ・デコーダアーキテクチャで構成されており、乱れや破損した点雲を入力として利用する。
トランスフォーマーとPointNetベースのオートエンコーダを使用しました。
論文 参考訳（メタデータ） (2022-09-13T15:22:36Z) - Masked Autoencoders in 3D Point Cloud Representation Learning [7.617783375837524]
3Dポイントクラウド表現学習におけるマスク付きオートエンコーダを提案する(略してMAE3D)。
最初はインプットポイントクラウドをパッチに分割し、その一部をマスクし、次にPatch Embedding Moduleを使って未成熟のパッチの特徴を抽出しました。
総合的な実験により、ポイントクラウドパッチからMAE3Dによって抽出された局所的特徴が下流分類タスクに有用であることが示されている。
論文 参考訳（メタデータ） (2022-07-04T16:13:27Z) - Point-M2AE: Multi-scale Masked Autoencoders for Hierarchical Point Cloud
Pre-training [56.81809311892475]
Masked Autoencoders (MAE) は、言語と2次元画像変換器の自己教師付き事前学習において大きな可能性を示している。
我々は3次元点雲の階層的自己教師型学習のための強力なマルチスケールMAE事前学習フレームワークであるPoint-M2AEを提案する。
論文 参考訳（メタデータ） (2022-05-28T11:22:53Z) - Self-Supervised Point Cloud Representation Learning with Occlusion
Auto-Encoder [63.77257588569852]
本稿では,3D Occlusion Auto-Encoder(3D-OAE)を提案する。
私たちのキーとなるアイデアは、入力ポイントクラウドのローカルパッチをランダムに排除し、隠されたパッチを復元することで監督を確立することです。
従来の手法とは対照的に、我々の3D-OAEは大量のパッチを除去し、少数の可視パッチでしか予測できない。
論文 参考訳（メタデータ） (2022-03-26T14:06:29Z) - Unsupervised Representation Learning for 3D Point Cloud Data [66.92077180228634]
我々は、教師なしのポイントクラウド学習に対して、シンプルで効果的なアプローチを提案する。
特に、原点雲の優れたコントラストバージョンを生成する非常に有用な変換を同定する。
本研究では,3次元オブジェクト分類,形状部分分割,シーン分割の3つの下流タスクについて実験を行った。
論文 参考訳（メタデータ） (2021-10-13T10:52:45Z) - PoinTr: Diverse Point Cloud Completion with Geometry-Aware Transformers [81.71904691925428]
本稿では,ポイントクラウドの完了をセット・ツー・セットの翻訳問題として再定義する手法を提案する。
我々はまた、ポイントクラウド補完のためにトランスフォーマーエンコーダデコーダアーキテクチャを採用するPoinTrと呼ばれる新しいモデルも設計している。
提案手法は,新しいベンチマークと既存ベンチマークの両方において,最先端の手法よりも優れた性能を示す。
論文 参考訳（メタデータ） (2021-08-19T17:58:56Z) - Image Inpainting by End-to-End Cascaded Refinement with Mask Awareness [66.55719330810547]
任意の欠落領域を塗りつぶすことは、様々なマスクされた領域で有効な特徴を学ぶことは非自明だから難しい。
符号化フェーズにおける欠落領域のマルチスケール特徴を学習する新しいマスク対応インペイントソリューションを提案する。
私たちのフレームワークは、3つの公開データセットに関する広範な実験を通じて定量的および定性的に検証されます。
論文 参考訳（メタデータ） (2021-04-28T13:17:47Z) - OMNet: Learning Overlapping Mask for Partial-to-Partial Point Cloud
Registration [31.108056345511976]
OMNetは、部分から部分へのポイントクラウド登録のためのグローバル機能ベースの反復ネットワークです。
マスクを粗雑に学習し,重複しない領域を拒絶し,部分から部分への登録を同一形状の登録に変換する。
論文 参考訳（メタデータ） (2021-03-01T11:59:59Z)
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。