論文の概要: Local Neighborhood Features for 3D Classification

• arxiv url: http://arxiv.org/abs/2212.05140v2
• Date: Tue, 9 Apr 2024 19:17:07 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-11 20:04:52.416119
• Title: Local Neighborhood Features for 3D Classification
• Title（参考訳）: 3次元分類の地域的特徴
• Authors: Shivanand Venkanna Sheshappanavar, Chandra Kambhamettu,
• Abstract要約: 我々はPointNeXtモデルを再検討し、そのような近辺点の特徴の利用と利点について検討する。 実際のデータセットを持つPointNeXtモデルでは、0.5%、1%、4.8%、3.4%、および1.6%の精度が得られます。
• 参考スコア（独自算出の注目度）: 7.081193814489042
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With advances in deep learning model training strategies, the training of Point cloud classification methods is significantly improving. For example, PointNeXt, which adopts prominent training techniques and InvResNet layers into PointNet++, achieves over 7% improvement on the real-world ScanObjectNN dataset. However, most of these models use point coordinates features of neighborhood points mapped to higher dimensional space while ignoring the neighborhood point features computed before feeding to the network layers. In this paper, we revisit the PointNeXt model to study the usage and benefit of such neighborhood point features. We train and evaluate PointNeXt on ModelNet40 (synthetic), ScanObjectNN (real-world), and a recent large-scale, real-world grocery dataset, i.e., 3DGrocery100. In addition, we provide an additional inference strategy of weight averaging the top two checkpoints of PointNeXt to improve classification accuracy. Together with the abovementioned ideas, we gain 0.5%, 1%, 4.8%, 3.4%, and 1.6% overall accuracy on the PointNeXt model with real-world datasets, ScanObjectNN (hardest variant), 3DGrocery100's Apple10, Fruits, Vegetables, and Packages subsets, respectively. We also achieve a comparable 0.2% accuracy gain on ModelNet40.
• Abstract（参考訳）: ディープラーニングモデルの訓練戦略の進歩により、ポイントクラウド分類法の訓練は大幅に改善されている。 例えば、PointNet++に著名なトレーニングテクニックとInvResNetレイヤを採用するPointNeXtは、現実世界のScanObjectNNデータセットで7%以上の改善を実現している。 しかし、これらのモデルのほとんどは、ネットワーク層に供給する前に計算された近傍点の特徴を無視しながら、高次元空間にマッピングされた近傍点の点座標特徴を用いる。 本稿では,これらの近傍特徴の活用と有用性を検討するために,PointNeXtモデルを再検討する。 我々はModelNet40(合成)、ScanObjectNN(実世界)、そして最近の大規模で現実世界の食料品データセットである3DGrocery100でPointNeXtをトレーニングし評価する。 さらに、分類精度を向上させるために、PointNeXtの上位2つのチェックポイントを平均化するための追加の推論戦略を提供する。 上記のアイデアと合わせて、現実世界のデータセットを持つPointNeXtモデル、ScanObjectNN(最強の亜種)、3DGrocery100のApple10、Fruits、Valgetables、Packagesサブセットで、それぞれ0.5%、1%、4.8%、3.4%、および1.6%の全体的な精度が得られます。 また、ModelNet40の精度も0.2%向上しました。

関連論文リスト

• Point Cloud Pre-training with Diffusion Models [62.12279263217138]
  我々は、ポイントクラウド拡散事前学習(PointDif)と呼ばれる新しい事前学習手法を提案する。 PointDifは、分類、セグメンテーション、検出など、さまざまな下流タスクのために、さまざまな現実世界のデータセット間で大幅に改善されている。
  論文  参考訳（メタデータ） (2023-11-25T08:10:05Z)
• 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)
• A Tiny Machine Learning Model for Point Cloud Object Classification [49.16961132283838]
  我々は,ポイントクラウドオブジェクトのマルチスケール表現を,複雑性低減のための単一スケール表現に置き換える。 我々は、点雲オブジェクトのリッチな3次元幾何情報を利用して性能を向上する。 提案手法は計算量が少ないためGreen-PointHopと名付けられた。
  論文  参考訳（メタデータ） (2023-03-20T06:35:46Z)
• PointPatchMix: Point Cloud Mixing with Patch Scoring [58.58535918705736]
  我々は、パッチレベルでポイントクラウドを混合し、混合ポイントクラウドのコンテンツベースターゲットを生成するPointPatchMixを提案する。 パッチスコアリングモジュールは、事前学習した教師モデルから、コンテンツに基づく重要度スコアに基づいて目標を割り当てる。 Point-MAE をベースラインとして,ScanObjectNN では86.3%,ModelNet40 では94.1% の精度で,従来の手法をかなり上回りました。
  論文  参考訳（メタデータ） (2023-03-12T14:49:42Z)
• Object Detection in 3D Point Clouds via Local Correlation-Aware Point Embedding [0.0]
  Frustum PointNet(F-PointNet)に基づく点クラウドデータにおける3次元物体検出のための改良されたアプローチを提案する。 提案手法は,従来のF-PointNetと比較し,計算点の特徴のある点近傍について検討する。
  論文  参考訳（メタデータ） (2023-01-11T18:14:47Z)
• PointNeXt: Revisiting PointNet++ with Improved Training and Scaling Strategies [85.14697849950392]
  我々は、モデルトレーニングとスケーリング戦略の体系的な研究を通じて、古典的なPointNet++を再考する。 我々は、PointNet++のパフォーマンスを大幅に改善する一連の改善されたトレーニング戦略を提案する。 我々は,効率的なモデルスケーリングを実現するために,逆ボトルネック設計と分離可能なPointNet++を紹介した。
  論文  参考訳（メタデータ） (2022-06-09T17:59:54Z)
• Triangle-Net: Towards Robustness in Point Cloud Learning [0.0]
  本稿では, 回転, 位置シフト, スケーリングに対する不変性を同時に実現し, 点間隔に頑健な3次元分類手法を提案する。 提案手法は,ModelNet 40分類タスクにおいて,ポイントネットと3DmFVをそれぞれ35.0%,28.1%で上回っている。
  論文  参考訳（メタデータ） (2020-02-27T20:42:32Z)
• PointHop++: A Lightweight Learning Model on Point Sets for 3D Classification [55.887502438160304]
  ポイントホップ法は、Zhangらによって、教師なし特徴抽出を伴う3Dポイントクラウド分類のために提案された。 1)モデルパラメータ数の観点からモデルの複雑さを減らし,2)クロスエントロピー基準に基づいて自動的に識別特徴を順序付けする。 ModelNet40ベンチマークデータセットで実施した実験により、PointHop++法がディープニューラルネットワーク(DNN)ソリューションと同等に動作し、他の教師なし特徴抽出法を上回る性能を示す。
  論文  参考訳（メタデータ） (2020-02-09T04:49:32Z)

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。