論文の概要: SPE-Net: Boosting Point Cloud Analysis via Rotation Robustness Enhancement

• arxiv url: http://arxiv.org/abs/2211.08250v1
• Date: Tue, 15 Nov 2022 15:59:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-16 15:10:48.653424
• Title: SPE-Net: Boosting Point Cloud Analysis via Rotation Robustness Enhancement
• Title（参考訳）: SPE-Net:回転ロバスト性向上によるポイントクラウド解析
• Authors: Zhaofan Qiu and Yehao Li and Yu Wang and Yingwei Pan and Ting Yao and Tao Mei
• Abstract要約: SPE-Netという名前の3Dポイントクラウドアプリケーションに適した新しいディープアーキテクチャを提案する。 埋め込みSelective Position variant' の手順は、入力の根底にある回転条件に効果的に対応できる注意機構に依存している。 SPE-Netと関連する仮説の利点を4つのベンチマークで示し、SOTA法よりも回転試験データと回転試験データの両方に明らかな改善点を示した。
• 参考スコア（独自算出の注目度）: 118.20816888815658
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we propose a novel deep architecture tailored for 3D point cloud applications, named as SPE-Net. The embedded ``Selective Position Encoding (SPE)'' procedure relies on an attention mechanism that can effectively attend to the underlying rotation condition of the input. Such encoded rotation condition then determines which part of the network parameters to be focused on, and is shown to efficiently help reduce the degree of freedom of the optimization during training. This mechanism henceforth can better leverage the rotation augmentations through reduced training difficulties, making SPE-Net robust against rotated data both during training and testing. The new findings in our paper also urge us to rethink the relationship between the extracted rotation information and the actual test accuracy. Intriguingly, we reveal evidences that by locally encoding the rotation information through SPE-Net, the rotation-invariant features are still of critical importance in benefiting the test samples without any actual global rotation. We empirically demonstrate the merits of the SPE-Net and the associated hypothesis on four benchmarks, showing evident improvements on both rotated and unrotated test data over SOTA methods. Source code is available at https://github.com/ZhaofanQiu/SPE-Net.
• Abstract（参考訳）: 本稿では,SPE-Netという3Dポイントクラウドアプリケーションに適した新しいディープアーキテクチャを提案する。 SPE(Selective Position Encoding)' の手順は、入力の根底にある回転条件に効果的に対応できる注意機構に依存している。 このような符号化された回転条件は、焦点を合わせるネットワークパラメータのどの部分を決定し、トレーニング中の最適化の自由度を効果的に減らすことが示される。 そのため、このメカニズムはトレーニングの困難を減らし、トレーニングとテストの両方において、SPE-Netがローテーションされたデータに対して堅牢になる。 また,本研究では,抽出した回転情報と実際の検定精度との関係を再考するよう促した。 興味深いことに、SPE-Netを介してローテーション情報を局所的に符号化することで、ローテーション不変性は、実際のグローバルローテーションを伴わないテストサンプルの恩恵に依然として重要であることを示す。 我々は,SPE-Netと関連する仮説の利点を4つのベンチマークで実証的に実証し,SOTA法よりも回転試験データと回転試験データの両方に明らかな改善点を示した。 ソースコードはhttps://github.com/ZhaofanQiu/SPE-Netで入手できる。

関連論文リスト

• Rotation Perturbation Robustness in Point Cloud Analysis: A Perspective of Manifold Distillation [10.14368825342757]
  本稿では, 多様体の観点から点雲をモデル化し, 回転摂動のロバスト性を達成するために, 多様体蒸留法を設計する。 4つの異なるデータセットを用いて実験を行い,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2024-11-04T02:13:41Z)
• RIDE: Boosting 3D Object Detection for LiDAR Point Clouds via Rotation-Invariant Analysis [15.42293045246587]
  RIDEは3D LiDAR-point-based object DEtectorの回転不変性の先駆的な探索である。 回転に敏感ではあるが幾何をよく保持できる2機能抽出器と、幾何情報をある程度失うが回転に頑健な回転不変特徴を抽出する。 我々のRIDEは互換性があり、既存の1段と2段の3D検出器に簡単に接続でき、検出性能と回転ロバスト性の両方を高めることができる。
  論文  参考訳（メタデータ） (2024-08-28T08:53:33Z)
• PARE-Net: Position-Aware Rotation-Equivariant Networks for Robust Point Cloud Registration [8.668461141536383]
  回転不変の特徴を学習することは、ポイントクラウド登録の基本的な要件である。 既存の手法では、回転に敏感なネットワークを用いて特徴を抽出し、回転拡大を用いて近似不変写像を無作為に学習する。 高速で軽量でロバストな登録のための位置認識型回転同変ネットワークを提案する。
  論文  参考訳（メタデータ） (2024-07-14T10:26:38Z)
• ART-Point: Improving Rotation Robustness of Point Cloud Classifiers via Adversarial Rotation [89.47574181669903]
  本研究では, 点雲分類器の回転ロバスト性も, 対角訓練により得られることを示す。 具体的には、ART-Pointというフレームワークは、ポイントクラウドの回転を攻撃と見なしている。 最終的なロバストモデルに効率よく到達するために,高速なワンステップ最適化を提案する。
  論文  参考訳（メタデータ） (2022-03-08T07:20:16Z)
• Functional Regularization for Reinforcement Learning via Learned Fourier Features [98.90474131452588]
  本稿では、入力を学習されたフーリエベースに埋め込むことにより、深層強化学習のための簡単なアーキテクチャを提案する。 その結果、状態ベースと画像ベースの両方のRLのサンプル効率が向上することがわかった。
  論文  参考訳（メタデータ） (2021-12-06T18:59:52Z)
• PRIN/SPRIN: On Extracting Point-wise Rotation Invariant Features [91.2054994193218]
  点群解析における回転不変特徴抽出に着目した点集合学習フレームワークPRINを提案する。 さらに、PRINをスパースポイントクラウド上で直接動作するSPRINと呼ばれるスパースバージョンに拡張します。 その結果、ランダムに回転した点群を持つデータセットでは、SPRINはデータ拡張なしで最先端の方法よりも優れたパフォーマンスを発揮します。
  論文  参考訳（メタデータ） (2021-02-24T06:44:09Z)
• Adjoint Rigid Transform Network: Task-conditioned Alignment of 3D Shapes [86.2129580231191]
  Adjoint Rigid Transform (ART) Networkは、さまざまな3Dネットワークと統合可能なニューラルネットワークモジュールである。 ARTは入力の形状を学習した標準方向に回転させることを学び、多くのタスクに欠かせない。 さらなる研究のために、コードと事前訓練されたモデルをリリースします。
  論文  参考訳（メタデータ） (2021-02-01T20:58:45Z)
• Learning Rotation-Invariant Representations of Point Clouds Using Aligned Edge Convolutional Neural Networks [29.3830445533532]
  ポイントクラウド分析は、シーンの深さを正確に測定できる3Dセンサーの開発によって、関心が高まる分野である。 点群解析に深層学習技術を適用することは、これらの手法が見えない回転に一般化できないため、簡単ではありません。 この制限に対処するには、通常、トレーニングデータを強化する必要があり、これは余分な計算につながる可能性があり、より大きなモデルの複雑さを必要とする。 本稿では,局所参照フレーム(LRF)に対する点群の特徴表現を学習する,Aligned Edge Convolutional Neural Network(AECNN)と呼ばれる新しいニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-01-02T17:36:00Z)
• A Smooth Representation of Belief over SO(3) for Deep Rotation Learning with Uncertainty [33.627068152037815]
  本稿では、3次元回転群の新しい対称行列表現 SO(3) と、学習モデルに特に適する2つの重要な性質について述べる。 我々は,2つのデータモダリティに基づいて深部神経回転回帰器を訓練することにより,定式化の利点を実証的に検証した。 この機能は、新しい入力を検出することで、学習したモデルの破滅的な失敗を防ぐ安全クリティカルなアプリケーションにとって鍵となる。
  論文  参考訳（メタデータ） (2020-06-01T15:57:45Z)
• A Rotation-Invariant Framework for Deep Point Cloud Analysis [132.91915346157018]
  ネットワーク入力時に一般的な3次元カルト座標を置き換えるために,新しい低レベル純粋回転不変表現を導入する。 また,これらの表現を特徴に組み込むネットワークアーキテクチャを提案し,点とその近傍の局所的関係とグローバルな形状構造を符号化する。 本手法は, 形状分類, 部分分割, 形状検索を含む多点雲解析タスクにおいて評価する。
  論文  参考訳（メタデータ） (2020-03-16T14:04:45Z)

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。