論文の概要: PointResNet: Residual Network for 3D Point Cloud Segmentation and Classification

• arxiv url: http://arxiv.org/abs/2211.11040v1
• Date: Sun, 20 Nov 2022 17:39:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-22 20:34:14.047051
• Title: PointResNet: Residual Network for 3D Point Cloud Segmentation and Classification
• Title（参考訳）: PointResNet: 3Dポイントクラウドセグメンテーションと分類のための残留ネットワーク
• Authors: Aadesh Desai, Saagar Parikh, Seema Kumari, Shanmuganathan Raman
• Abstract要約: ポイントクラウドのセグメンテーションと分類は、3Dコンピュータビジョンの主要なタスクである。 本稿では,残差ブロックベースアプローチであるPointResNetを提案する。 我々のモデルは、セグメント化と分類タスクのためのディープニューラルネットワークを用いて、3Dポイントを直接処理する。
• 参考スコア（独自算出の注目度）: 18.466814193413487
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Point cloud segmentation and classification are some of the primary tasks in 3D computer vision with applications ranging from augmented reality to robotics. However, processing point clouds using deep learning-based algorithms is quite challenging due to the irregular point formats. Voxelization or 3D grid-based representation are different ways of applying deep neural networks to this problem. In this paper, we propose PointResNet, a residual block-based approach. Our model directly processes the 3D points, using a deep neural network for the segmentation and classification tasks. The main components of the architecture are: 1) residual blocks and 2) multi-layered perceptron (MLP). We show that it preserves profound features and structural information, which are useful for segmentation and classification tasks. The experimental evaluations demonstrate that the proposed model produces the best results for segmentation and comparable results for classification in comparison to the conventional baselines.
• Abstract（参考訳）: ポイントクラウドのセグメンテーションと分類は、拡張現実からロボティクスまで、アプリケーションを含む3dコンピュータビジョンの主要なタスクである。 しかし、ディープラーニングベースのアルゴリズムを用いた処理ポイントクラウドは、不規則なポイントフォーマットのため、かなり難しい。 ボクセル化(Voxelization)または3Dグリッドベースの表現は、この問題にディープニューラルネットワークを適用する異なる方法である。 本稿では,残差ブロックベースアプローチであるpointresnetを提案する。 我々のモデルは、セグメント化と分類タスクのためのディープニューラルネットワークを用いて、3Dポイントを直接処理する。 アーキテクチャの主要なコンポーネントは次のとおりである。 1)残余ブロック及び 2) 多層パーセプトロン(MLP)。 セグメンテーションや分類作業に有用な,深い特徴と構造情報を保存していることを示す。 実験により,提案モデルが従来のベースラインと比較して,セグメンテーションの最良の結果と,分類の同等な結果が得られることを示した。

関連論文リスト

• Clustering based Point Cloud Representation Learning for 3D Analysis [80.88995099442374]
  本稿では,ポイントクラウド分析のためのクラスタリングに基づく教師付き学習手法を提案する。 現在のデファクトでシーンワイドなトレーニングパラダイムとは異なり、我々のアルゴリズムは点埋め込み空間上でクラス内のクラスタリングを行う。 我々のアルゴリズムは、有名なポイントクラウドセグメンテーションデータセットの顕著な改善を示している。
  論文  参考訳（メタデータ） (2023-07-27T03:42:12Z)
• SeMLaPS: Real-time Semantic Mapping with Latent Prior Networks and Quasi-Planar Segmentation [53.83313235792596]
  本稿では,RGB-Dシーケンスからのリアルタイム意味マッピングのための新しい手法を提案する。 2DニューラルネットワークとSLAMシステムに基づく3Dネットワークと3D占有マッピングを組み合わせる。 本システムは,2D-3Dネットワークベースシステムにおいて,最先端のセマンティックマッピング品質を実現する。
  論文  参考訳（メタデータ） (2023-06-28T22:36:44Z)
• Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud Analysis [66.49788145564004]
  我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。 我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
  論文  参考訳（メタデータ） (2022-12-17T15:05:25Z)
• 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)
• LatticeNet: Fast Spatio-Temporal Point Cloud Segmentation Using Permutohedral Lattices [27.048998326468688]
  深層畳み込みニューラルネットワーク(CNN)は、画像のセグメンテーションに際し、優れた性能を示している。 本稿では,3次元セマンティックセグメンテーションの新たなアプローチであるLatticeNetを提案する。 本稿では,本手法が最先端性能を実現する複数のデータセット上での3次元セグメント化の結果について述べる。
  論文  参考訳（メタデータ） (2021-08-09T10:17:27Z)
• Point Discriminative Learning for Unsupervised Representation Learning on 3D Point Clouds [54.31515001741987]
  3次元点雲上での教師なし表現学習のための点識別学習法を提案する。 我々は、中間レベルとグローバルレベルの特徴に新しい点識別損失を課すことにより、これを達成した。 提案手法は強力な表現を学習し,新しい最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-08-04T15:11:48Z)
• Learning point embedding for 3D data processing [2.12121796606941]
  現在の点ベース法は本質的に空間関係処理ネットワークである。 PE-Netは高次元空間における点雲の表現を学習する。 実験によると、PE-Netは複数の挑戦的なデータセットで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2021-07-19T00:25:28Z)
• FatNet: A Feature-attentive Network for 3D Point Cloud Processing [1.502579291513768]
  本稿では,グローバルポイントベースの機能とエッジベースの機能を組み合わせた,新たな機能指向ニューラルネットワーク層であるfat layerを提案する。 当社のアーキテクチャは,ModelNet40データセットで示すように,ポイントクラウド分類のタスクにおける最先端の成果を達成する。
  論文  参考訳（メタデータ） (2021-04-07T23:13:56Z)
• LRGNet: Learnable Region Growing for Class-Agnostic Point Cloud Segmentation [19.915593390338337]
  本研究は,クラス非依存のクラウドセグメンテーションのための学習可能な領域成長手法を提案する。 提案手法は, 物体の形状や大きさを仮定することなく, 単一の深層ニューラルネットワークを用いて任意のクラスを分割することができる。
  論文  参考訳（メタデータ） (2021-03-16T15:58:01Z)
• PIG-Net: Inception based Deep Learning Architecture for 3D Point Cloud Segmentation [0.9137554315375922]
  そこで我々はPIG-Netと呼ばれるインセプションに基づくディープネットワークアーキテクチャを提案し,点雲の局所的および大域的幾何学的詳細を効果的に特徴付ける。 我々は2つの最先端データセット上でPIG-Netアーキテクチャの徹底的な実験的解析を行う。
  論文  参考訳（メタデータ） (2021-01-28T13:27:55Z)
• Fine-Grained 3D Shape Classification with Hierarchical Part-View Attentions [70.0171362989609]
  本稿では,FG3D-Netと呼ばれる新しい3次元形状分類手法を提案する。 詳細な3次元形状データセットに基づく結果から,本手法が他の最先端手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-05-26T06:53:19Z)

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。