論文の概要: PointWavelet: Learning in Spectral Domain for 3D Point Cloud Analysis

• arxiv url: http://arxiv.org/abs/2302.05201v1
• Date: Fri, 10 Feb 2023 12:07:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-13 15:53:02.838057
• Title: PointWavelet: Learning in Spectral Domain for 3D Point Cloud Analysis
• Title（参考訳）: pointwavelet: 3次元点雲解析のためのスペクトル領域学習
• Authors: Cheng Wen, Jianzhi Long, Baosheng Yu, Dacheng Tao
• Abstract要約: 学習可能なグラフウェーブレット変換を用いてスペクトル領域の局所グラフを探索する新しい手法であるPointWaveletを導入する。 具体的には、まずグラフウェーブレット変換を導入し、マルチスケールのスペクトルグラフ畳み込みを行い、効率的な局所構造表現を学習する。 時間を要するスペクトル分解を避けるため、学習可能なグラフウェーブレット変換を考案し、全体のトレーニングプロセスを大幅に高速化する。
• 参考スコア（独自算出の注目度）: 82.91576069955619
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With recent success of deep learning in 2D visual recognition, deep learning-based 3D point cloud analysis has received increasing attention from the community, especially due to the rapid development of autonomous driving technologies. However, most existing methods directly learn point features in the spatial domain, leaving the local structures in the spectral domain poorly investigated. In this paper, we introduce a new method, PointWavelet, to explore local graphs in the spectral domain via a learnable graph wavelet transform. Specifically, we first introduce the graph wavelet transform to form multi-scale spectral graph convolution to learn effective local structural representations. To avoid the time-consuming spectral decomposition, we then devise a learnable graph wavelet transform, which significantly accelerates the overall training process. Extensive experiments on four popular point cloud datasets, ModelNet40, ScanObjectNN, ShapeNet-Part, and S3DIS, demonstrate the effectiveness of the proposed method on point cloud classification and segmentation.
• Abstract（参考訳）: 2次元視覚認識におけるディープラーニングの成功により、ディープラーニングベースの3dポイントクラウド分析は、特に自動運転技術の急速な発展により、コミュニティから注目を集めている。 しかし、既存の手法のほとんどは空間領域の点特徴を直接学習し、スペクトル領域の局所構造は十分に研究されていない。 本稿では,学習可能なグラフウェーブレット変換を用いてスペクトル領域の局所グラフを探索する新しい手法であるPointWaveletを提案する。 具体的には、まずグラフウェーブレット変換を導入し、マルチスケールのスペクトルグラフ畳み込みを行い、効率的な局所構造表現を学習する。 時間を要するスペクトル分解を避けるために、学習可能なグラフウェーブレット変換を考案し、全体のトレーニングプロセスを著しく加速する。 modelnet40、scanobjectnn、shapenet-part、s3disの4つの人気のあるポイントクラウドデータセットに関する広範な実験は、ポイントクラウドの分類とセグメンテーションにおける提案手法の有効性を示している。

関連論文リスト

• Point Cloud Denoising With Fine-Granularity Dynamic Graph Convolutional Networks [58.050130177241186]
  ノイズの摂動は、しばしば3次元の点雲を破損させ、表面の再構成、レンダリング、さらなる処理といった下流のタスクを妨げる。 本稿では,GDGCNと呼ばれる粒度動的グラフ畳み込みネットワークについて紹介する。
  論文  参考訳（メタデータ） (2024-11-21T14:19:32Z)
• 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)
• GraphCSPN: Geometry-Aware Depth Completion via Dynamic GCNs [49.55919802779889]
  本稿では,グラフ畳み込みに基づく空間伝搬ネットワーク(GraphCSPN)を提案する。 本研究では、幾何学的表現学習において、畳み込みニューラルネットワークとグラフニューラルネットワークを相補的に活用する。 提案手法は,数段の伝搬ステップのみを使用する場合と比較して,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2022-10-19T17:56:03Z)
• Point Cloud Attacks in Graph Spectral Domain: When 3D Geometry Meets Graph Signal Processing [30.86044518259855]
  ポイントクラウド学習モデルは敵の攻撃に弱いことが示されている。 本稿では,様々な幾何学的構造に対応するスペクトル領域におけるグラフ変換係数の摂動を目的としたグラフスペクトル領域攻撃を提案する。 実験結果から,提案攻撃の有効性を,非受容性と攻撃成功率の両方の観点から検証した。
  論文  参考訳（メタデータ） (2022-07-27T07:02:36Z)
• CVFNet: Real-time 3D Object Detection by Learning Cross View Features [11.402076835949824]
  CVFNetと呼ばれるリアルタイムビューベースの1段3Dオブジェクト検出器を提案する。 本稿ではまず,複数の段階において,ポイント・アンド・レンジ・ビュー機能を深く統合した新しいポイント・ラウンジ機能融合モジュールを提案する。 次に, 得られた深度視点特徴を鳥の目視に変換する際に, 3次元形状を良好に維持する特別のスライスピラーを設計する。
  論文  参考訳（メタデータ） (2022-03-13T06:23:18Z)
• MG-SAGC: A multiscale graph and its self-adaptive graph convolution network for 3D point clouds [6.504546503077047]
  点群の多スケールグラフ生成法を提案する。 このアプローチは、ポイントクラウドを、スケール空間におけるポイントクラウドのマルチスケール分析をサポートする構造化マルチスケールグラフ形式に変換する。 従来の畳み込みニューラルネットワークは不規則な近傍を持つグラフデータには適用できないため,チェビシェフグラフを用いて不規則な畳み込みフィルタに適合するセフ適応畳み込みカーネルを提案する。
  論文  参考訳（メタデータ） (2020-12-23T01:58:41Z)
• Graphite: GRAPH-Induced feaTure Extraction for Point Cloud Registration [80.69255347486693]
  我々は、シンプルな機能とキーポイント検出器である Graph-induced feaTure extract Pipeline を導入する。 我々は,点クラウド領域を記述し,有意な点を抽出する汎用的なグラフベース学習手法を構築した。 我々は3Dキーポイントパイプラインをグラフニューラルネットワークで再構成し、ポイントセットの効率的な処理を可能にする。
  論文  参考訳（メタデータ） (2020-10-18T19:41:09Z)
• Airborne LiDAR Point Cloud Classification with Graph Attention Convolution Neural Network [5.69168146446103]
  本稿では,空飛ぶLiDARにより得られる非構造化3次元点雲の分類に直接適用可能なグラフ注意畳み込みニューラルネットワーク(GACNN)を提案する。 提案するグラフアテンション・コンボリューション・モジュールに基づいて,GACNNと呼ばれるエンド・ツー・エンドのエンコーダ・デコーダネットワークを設計し,ポイント・クラウドのマルチスケールな特徴を捉える。 ISPRS 3Dラベリングデータセットの実験では、提案モデルが平均F1スコア(71.5%)と全精度(83.2%)で新しい最先端性能を達成することが示された。
  論文  参考訳（メタデータ） (2020-04-20T05:12:31Z)
• Hypergraph Spectral Analysis and Processing in 3D Point Cloud [80.25162983501308]
  3Dポイントクラウドは、3Dオブジェクトや周囲を特徴付ける基本的なデータ構造になっている。 3次元点雲を効率的に処理するには、基礎となる構造と外周騒音に適したモデルが常に重要である。 本稿では,高速な解析と処理が可能なハイパーグラフベースの新しいポイントクラウドモデルを提案する。
  論文  参考訳（メタデータ） (2020-01-08T05:30:16Z)

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。