論文の概要: Window Normalization: Enhancing Point Cloud Understanding by Unifying Inconsistent Point Densities

• arxiv url: http://arxiv.org/abs/2212.02287v1
• Date: Mon, 5 Dec 2022 14:09:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-06 17:42:31.979351
• Title: Window Normalization: Enhancing Point Cloud Understanding by Unifying Inconsistent Point Densities
• Title（参考訳）: ウィンドウ正規化:不整点密度の統一によるポイントクラウド理解の促進
• Authors: Qi Wang, Sheng Shi, Jiahui Li, Wuming Jiang, Xiangde Zhang
• Abstract要約: ダウンサンプリングと特徴抽出は、3Dポイントクラウド理解に不可欠な手順である。 ウィンドウ正規化法は、異なる部分の点密度を統一するために利用される。 テクスチャや空間情報を含む多型特徴を得るためのグループワイド戦略を提案する。
• 参考スコア（独自算出の注目度）: 16.770190781915673
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Downsampling and feature extraction are essential procedures for 3D point cloud understanding. Existing methods are limited by the inconsistent point densities of different parts in the point cloud. In this work, we analyze the limitation of the downsampling stage and propose the pre-abstraction group-wise window-normalization module. In particular, the window-normalization method is leveraged to unify the point densities in different parts. Furthermore, the group-wise strategy is proposed to obtain multi-type features, including texture and spatial information. We also propose the pre-abstraction module to balance local and global features. Extensive experiments show that our module performs better on several tasks. In segmentation tasks on S3DIS (Area 5), the proposed module performs better on small object recognition, and the results have more precise boundaries than others. The recognition of the sofa and the column is improved from 69.2% to 84.4% and from 42.7% to 48.7%, respectively. The benchmarks are improved from 71.7%/77.6%/91.9% (mIoU/mAcc/OA) to 72.2%/78.2%/91.4%. The accuracies of 6-fold cross-validation on S3DIS are 77.6%/85.8%/91.7%. It outperforms the best model PointNeXt-XL (74.9%/83.0%/90.3%) by 2.7% on mIoU and achieves state-of-the-art performance. The code and models are available at https://github.com/DBDXSS/Window-Normalization.git.
• Abstract（参考訳）: ダウンサンプリングと特徴抽出は、3Dポイントクラウド理解に不可欠な手順である。 既存の方法は、点雲内の異なる部分の不整点密度によって制限される。 本研究では,ダウンサンプリングステージの制限を分析し,プリアブストラクション群毎のウィンドウ正規化モジュールを提案する。 特に、ウィンドウ正規化法を用いて異なる部分の点密度を統一する。 さらに, テクスチャや空間情報を含む多型特徴量を求めるグループワイド戦略を提案する。 また,ローカル機能とグローバル機能のバランスをとるプリ・アブストラクションモジュールを提案する。 広範な実験により、モジュールは複数のタスクでより優れたパフォーマンスを示す。 S3DIS(Area 5)のセグメンテーションタスクでは、提案モジュールは小さなオブジェクト認識においてより良い性能を示し、その結果は他のモジュールよりも正確な境界を持つ。 ソファとカラムの認識は69.2%から84.4%に改善され、それぞれ42.7%から48.7%に改善された。 ベンチマークは71.7%/77.6%/91.9%(mIoU/mAcc/OA)から72.2%/78.2%/91.4%に改善された。 S3DIS上の6倍のクロスバリデーションは77.6%/85.8%/91.7%である。 最高のモデルであるPointNeXt-XL(74.9%/83.0%/90.3%)をmIoUで2.7%上回り、最先端のパフォーマンスを達成する。 コードとモデルはhttps://github.com/dbdxss/window-normalization.gitで入手できる。

関連論文リスト

• RISurConv: Rotation Invariant Surface Attention-Augmented Convolutions for 3D Point Cloud Classification and Segmentation [17.558376773179337]
  本稿では,3次元点雲の分類とセグメンテーションのための新しい効果的な回転不変アーキテクチャを提案する。 高精度を維持しつつ、任意の回転に不変な3次元点雲解析に有効なニューラルネットワークを構築した。
  論文  参考訳（メタデータ） (2024-08-12T12:47:37Z)
• On-the-fly Point Feature Representation for Point Clouds Analysis [7.074010861305738]
  そこで我々は,曲線特徴生成モジュールを通じて,豊富な幾何学的情報を明示的にキャプチャするOn-the-fly Point Feature Representation (OPFR)を提案する。 また、三角形集合に基づく局所座標系を近似した局所参照コンストラクタモジュールを導入する。 OPFRは推論に1.56ms(バニラPFHより65倍速い)と0.012M以上のパラメータしか必要とせず、様々なバックボーン用の汎用的なプラグアンドプレイモジュールとして機能する。
  論文  参考訳（メタデータ） (2024-07-31T04:57:06Z)
• Point Cloud Mamba: Point Cloud Learning via State Space Model [73.7454734756626]
  我々は,マンバをベースとしたポイントクラウド法が,トランスフォーマや多層パーセプトロン(MLP)に基づく従来手法よりも優れていることを示す。 特に,マルチ層パーセプトロン(MLP)を用いて,マンバをベースとした点雲法が従来手法より優れていることを示す。 Point Cloud Mambaは、最先端(SOTA)のポイントベースメソッドであるPointNeXtを超え、ScanNN、ModelNet40、ShapeNetPart、S3DISデータセット上での新たなSOTAパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-03-01T18:59:03Z)
• Less is More: Fewer Interpretable Region via Submodular Subset Selection [54.07758302264416]
  本稿では,上述の画像帰属問題を部分モジュラ部分選択問題として再モデル化する。 我々は、より正確な小さな解釈領域を発見するために、新しい部分モジュラー関数を構築する。 正しく予測されたサンプルに対しては,HSIC-Attributionに対する平均4.9%と2.5%の利得で,Deletion and Insertionスコアを改善した。
  論文  参考訳（メタデータ） (2024-02-14T13:30:02Z)
• Sparse4D v3: Advancing End-to-End 3D Detection and Tracking [12.780544029261353]
  本稿では,2つの補助訓練タスクを導入し,構造的改善のための分離された注意点を提案する。 推論中にインスタンスIDを割り当てる簡単なアプローチを使用して、検出器をトラッカーに拡張する。 我々の最良のモデルは nuScenes テストセットで 71.9% NDS と 67.7% AMOTA を達成した。
  論文  参考訳（メタデータ） (2023-11-20T12:37:58Z)
• Spherical Transformer for LiDAR-based 3D Recognition [48.44153945515335]
  本研究では, 密閉点から疎遠点への情報を直接集約するLiDAR点とSphereFormerについて検討した。 我々は、空間を複数の非重なりの狭い窓と長い窓に分割するラジアルウィンドウ自己アテンションを設計する。 狭い窓と長い窓に合わせるために,細粒度位置符号化と動的特徴選択を行う指数分割を提案する。
  論文  参考訳（メタデータ） (2023-03-22T17:30:14Z)
• CloudAttention: Efficient Multi-Scale Attention Scheme For 3D Point Cloud Learning [81.85951026033787]
  この作業にトランスフォーマーをセットし、それらを形状分類と部分およびシーンセグメンテーションのための階層的なフレームワークに組み込む。 また、各イテレーションにおけるサンプリングとグループ化を活用して、効率的でダイナミックなグローバルなクロスアテンションを計算します。 提案した階層モデルは,最先端の形状分類を平均精度で達成し,従来のセグメンテーション法と同等の結果を得る。
  論文  参考訳（メタデータ） (2022-07-31T21:39:15Z)
• Dynamic Convolution for 3D Point Cloud Instance Segmentation [146.7971476424351]
  動的畳み込みに基づく3次元点雲からのインスタンスセグメンテーション手法を提案する。 我々は、同じ意味圏と閉投票を持つ等質点を幾何学的遠近点に対して収集する。 提案手法は提案不要であり、代わりに各インスタンスの空間的および意味的特性に適応する畳み込みプロセスを利用する。
  論文  参考訳（メタデータ） (2021-07-18T09:05:16Z)
• PointGroup: Dual-Set Point Grouping for 3D Instance Segmentation [111.7241018610573]
  私たちは、インスタンスセグメンテーションのための新しいエンドツーエンドボトムアップアーキテクチャであるPointGroupを紹介します。 我々は2分岐ネットワークを設計し、ポイントの特徴を抽出し、セマンティックラベルとオフセットを予測し、各ポイントをそれぞれのインスタンスセントロイドに向けてシフトさせる。 クラスタリングコンポーネントは、元のおよびオフセットシフトされた点座標セットの両方を利用するために、その相補的な強度を利用する。 ScanNet v2 と S3DIS の2つの挑戦的データセットに対する広範な実験を行い、ScanNet v2 と S3DIS が最も高い性能を達成し、63.6% と 64.0% の2つを以前のベストが達成した54.9% と54.4% と比較した。
  論文  参考訳（メタデータ） (2020-04-03T16:26:37Z)

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。