論文の概要: Adaptive Edge-to-Edge Interaction Learning for Point Cloud Analysis

• arxiv url: http://arxiv.org/abs/2211.10888v1
• Date: Sun, 20 Nov 2022 07:10:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-22 20:15:00.854026
• Title: Adaptive Edge-to-Edge Interaction Learning for Point Cloud Analysis
• Title（参考訳）: ポイントクラウド解析のための適応エッジ対エッジインタラクション学習
• Authors: Shanshan Zhao, Mingming Gong, Xi Li, Dacheng Tao
• Abstract要約: ポイントクラウドデータ処理の大きな問題は、ローカルリージョンから有用な情報を抽出することだ。 従来の研究は、局所的な形状情報を符号化する地域におけるエッジ間の関係を無視していた。 本稿では,Adaptive Edge-to-Edge Interaction Learningモジュールを提案する。
• 参考スコア（独自算出の注目度）: 118.30840667784206
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent years have witnessed the great success of deep learning on various point cloud analysis tasks, e.g., classification and semantic segmentation. Since point cloud data is sparse and irregularly distributed, one key issue for point cloud data processing is extracting useful information from local regions. To achieve this, previous works mainly extract the points' features from local regions by learning the relation between each pair of adjacent points. However, these works ignore the relation between edges in local regions, which encodes the local shape information. Associating the neighbouring edges could potentially make the point-to-point relation more aware of the local structure and more robust. To explore the role of the relation between edges, this paper proposes a novel Adaptive Edge-to-Edge Interaction Learning module, which aims to enhance the point-to-point relation through modelling the edge-to-edge interaction in the local region adaptively. We further extend the module to a symmetric version to capture the local structure more thoroughly. Taking advantage of the proposed modules, we develop two networks for segmentation and shape classification tasks, respectively. Various experiments on several public point cloud datasets demonstrate the effectiveness of our method for point cloud analysis.
• Abstract（参考訳）: 近年では、分類やセマンティックセグメンテーションなど、様々な点のクラウド分析タスクにおけるディープラーニングの大きな成功を目撃している。 ポイントクラウドデータはばらばらで不規則に分散されているため、ポイントクラウドデータ処理の大きな問題は、ローカルリージョンから有用な情報を抽出することである。 これを実現するために,各隣接する点間の関係を学習することにより,各点の特徴を局所的に抽出した。 しかし、これらの研究は、局所的な形状情報を符号化する局所領域のエッジ間の関係を無視する。 隣接するエッジを関連付けることで、局所構造をより意識し、より堅牢にすることができる。 本稿では, エッジ間のインタラクションを適応的にモデル化することで, ポイント・ツー・ポイントの関係を高めることを目的とした, 適応型エッジ・ツー・エッジインタラクション学習モジュールを提案する。 さらに、より徹底的に局所構造を捉えるために、モジュールを対称バージョンに拡張する。 提案するモジュールを活用し,セグメンテーションタスクと形状分類タスクのための2つのネットワークを開発した。 いくつかのパブリックポイントクラウドデータセットに対する様々な実験は、ポイントクラウド分析のための手法の有効性を実証している。

関連論文リスト

• Unsupervised Non-Rigid Point Cloud Matching through Large Vision Models [1.3030624795284795]
  非剛点クラウドマッチングのための学習ベースのフレームワークを提案する。 重要な洞察は、大きな視覚モデル(LVM)から派生した意味的特徴を統合することである。 本フレームワークは,局所的な地形間の自己相似性から生じるあいまいさに対処するために,意味的特徴に含まれる構造情報を効果的に活用する。
  論文  参考訳（メタデータ） (2024-08-16T07:02:19Z)
• Global Attention-Guided Dual-Domain Point Cloud Feature Learning for Classification and Segmentation [21.421806351869552]
  上記の問題に対処するために,グローバルアテンション誘導型デュアルドメイン特徴学習ネットワーク(GAD)を提案する。 我々はまず,改良されたグローバルアテンション機構を備えたコンテキスト位置強調変換器(CPT)モジュールを考案した。 次に、デュアルドメインK-アレスト隣のフィーチャーフュージョン(DKFF)をカスケードして、効果的なフィーチャーアグリゲーションを行う。
  論文  参考訳（メタデータ） (2024-07-12T05:19:19Z)
• PotholeGuard: A Pothole Detection Approach by Point Cloud Semantic Segmentation [0.0]
  3Dセマンティック・ポトホールの研究は、しばしば点雲の空間性を見落とし、最適な局所的な特徴のキャプチャとセグメンテーションの精度をもたらす。 本モデルでは,隠れた特徴を効率よく同定し,局所特性を高めるためにフィードバック機構を用いる。 弊社のアプローチは、堅牢で正確な3Dポットホールセグメンテーション(pothole segmentation)のための有望なソリューションを提供する。
  論文  参考訳（メタデータ） (2023-11-05T12:57:05Z)
• Collect-and-Distribute Transformer for 3D Point Cloud Analysis [82.03517861433849]
  本稿では,点雲の短距離・長距離コンテキストを通信するための収集・分散機構を備えた新しい変圧器ネットワークを提案する。 その結果,提案したCDFormerの有効性が示され,ポイントクラウドの分類とセグメンテーションタスクにおける最先端のパフォーマンスがいくつか提供された。
  論文  参考訳（メタデータ） (2023-06-02T03:48:45Z)
• GFNet: Geometric Flow Network for 3D Point Cloud Semantic Segmentation [91.15865862160088]
  本稿では,異なるビュー間の幾何対応性を検討するための幾何フローネットワーク (GFNet) を提案する。 具体的には、異なる視点にまたがって補完情報を双方向に整列し、伝播する新しい幾何フローモジュール(GFM)を考案する。
  論文  参考訳（メタデータ） (2022-07-06T11:48:08Z)
• Multi-scale Network with Attentional Multi-resolution Fusion for Point Cloud Semantic Segmentation [2.964101313270572]
  ローカルおよびグローバルなマルチスケール情報を集約する総合的なポイントクラウドセマンティックセマンティックセマンティクスネットワークを提案する。 点の局所的な形状を効果的に学習するアングル相関点畳み込みモジュールを提案する。 第3に、2Dイメージビジョンタスクのパフォーマンスに優れたHRNetにインスパイアされた私たちは、ポイントクラウド用にカスタマイズされたHRNetを構築し、グローバルなマルチスケールコンテキストを学習します。
  論文  参考訳（メタデータ） (2022-06-27T21:03:33Z)
• SemAffiNet: Semantic-Affine Transformation for Point Cloud Segmentation [94.11915008006483]
  ポイントクラウドセマンティックセグメンテーションのためのSemAffiNetを提案する。 我々はScanNetV2とNYUv2データセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2022-05-26T17:00:23Z)
• PRA-Net: Point Relation-Aware Network for 3D Point Cloud Analysis [56.91758845045371]
  我々はポイント関係認識ネットワーク(PRA-Net)という新しいフレームワークを提案する。 領域内構造学習(ISL)モジュールと領域間関係学習(IRL)モジュールで構成されている。 形状分類,キーポイント推定,部分セグメンテーションを含む複数の3次元ベンチマーク実験により,PRA-Netの有効性と性能が検証された。
  論文  参考訳（メタデータ） (2021-12-09T13:24:43Z)
• Self-Sampling for Neural Point Cloud Consolidation [83.31236364265403]
  本稿では,入力点クラウドのみから学習するニューラルポイントクラウドの統合技術を紹介する。 入力ポイントクラウドを、ディープニューラルネットワークのトレーニングに使用するグローバルサブセットで、繰り返し自己サンプルします。 様々な形状から点集合を集約する能力を示すとともに,出力器やノイズを除去する能力を示す。
  論文  参考訳（メタデータ） (2020-08-14T17:16:02Z)
• SK-Net: Deep Learning on Point Cloud via End-to-end Discovery of Spatial Keypoints [7.223394571022494]
  本稿では,空間キーポイントの推論と点雲の特徴表現の学習を協調的に最適化する,エンドツーエンドのフレームワークであるSK-Netを提案する。 提案手法は,ポイントクラウドタスクにおける最先端手法に匹敵する性能を示した。
  論文  参考訳（メタデータ） (2020-03-31T08:15:40Z)

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。