論文の概要: S3I-PointHop: SO(3)-Invariant PointHop for 3D Point Cloud Classification

• arxiv url: http://arxiv.org/abs/2302.11506v1
• Date: Wed, 22 Feb 2023 17:23:33 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-23 14:26:02.539215
• Title: S3I-PointHop: SO(3)-Invariant PointHop for 3D Point Cloud Classification
• Title（参考訳）: S3I-PointHop:SO(3)-不変点ホップによる3次元点群分類
• Authors: Pranav Kadam, Hardik Prajapati, Min Zhang, Jintang Xue, Shan Liu, C.-C. Jay Kuo
• Abstract要約: この研究は、PointHopと呼ばれる数学的に透明なポイントクラウド分類手法に焦点を当てている。 ポーズ変動による失敗の原因を解析し、ポーズ依存加群を回転不変加群に置き換えることで問題を解決する。 ModelNet40データセットの実験では、従来のPointHopのようなメソッドよりもS3I-PointHopの方が優れていることが示されている。
• 参考スコア（独自算出の注目度）: 49.16961132283838
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many point cloud classification methods are developed under the assumption that all point clouds in the dataset are well aligned with the canonical axes so that the 3D Cartesian point coordinates can be employed to learn features. When input point clouds are not aligned, the classification performance drops significantly. In this work, we focus on a mathematically transparent point cloud classification method called PointHop, analyze its reason for failure due to pose variations, and solve the problem by replacing its pose dependent modules with rotation invariant counterparts. The proposed method is named SO(3)-Invariant PointHop (or S3I-PointHop in short). We also significantly simplify the PointHop pipeline using only one single hop along with multiple spatial aggregation techniques. The idea of exploiting more spatial information is novel. Experiments on the ModelNet40 dataset demonstrate the superiority of S3I-PointHop over traditional PointHop-like methods.
• Abstract（参考訳）: 多くの点クラウド分類法は、データセット内の全ての点クラウドが標準軸とうまく整合していると仮定して開発され、3次元カルト点座標を用いて特徴を学習することができる。 入力点雲が整列していない場合、分類性能は著しく低下する。 本研究では,数学的に透明なポイントホップ(PointHop)と呼ばれるクラウド分類手法に着目し,ポーズの変動による故障の原因を分析し,ポーズ依存モジュールを回転不変モジュールに置き換えることによって問題を解決する。 提案手法はSO(3)-Invariant PointHop(略してS3I-PointHop)と呼ばれる。 また,1つのホップのみと複数の空間アグリゲーション技術を用いて,ポイントホップパイプラインを著しく単純化した。 より空間的な情報を利用するという考えは、新しい。 ModelNet40データセットの実験では、従来のPointHopのようなメソッドよりもS3I-PointHopの方が優れていることが示されている。

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)
• FreePoint: Unsupervised Point Cloud Instance Segmentation [72.64540130803687]
  点クラウド上の教師なしクラス非依存のインスタンスセグメンテーションを探索するためのFreePointを提案する。 我々は、座標、色、そして自己監督の深い特徴を組み合わせることで、点の特徴を表現する。 ポイント機能に基づいて、ポイントクラウドを擬似ラベルとして粗いインスタンスマスクに分割し、ポイントクラウドインスタンスセグメンテーションモデルをトレーニングする。
  論文  参考訳（メタデータ） (2023-05-11T16:56:26Z)
• Point Cloud Classification Using Content-based Transformer via Clustering in Feature Space [25.57569871876213]
  本稿では,PointConTと呼ばれるポイントコンテントベースのトランスフォーマーアーキテクチャを提案する。 特徴空間内の点(コンテンツベース)の局所性を利用して、類似した特徴を持つサンプルポイントを同じクラスにクラスタし、各クラス内の自己アテンションを計算する。 また,各枝の高周波・低周波情報を並列構造を用いて個別に集約するインセプション機能アグリゲータも導入した。
  論文  参考訳（メタデータ） (2023-03-08T14:11:05Z)
• Box2Seg: Learning Semantics of 3D Point Clouds with Box-Level Supervision [65.19589997822155]
  我々は3Dポイントクラウドのポイントレベルのセマンティクスをバウンディングボックスレベルの監視で学習するために,Box2Segと呼ばれるニューラルアーキテクチャを導入する。 提案するネットワークは,安価な,あるいは既定のバウンディングボックスレベルのアノテーションやサブクラウドレベルのタグでトレーニング可能であることを示す。
  論文  参考訳（メタデータ） (2022-01-09T09:07:48Z)
• R-PointHop: A Green, Accurate and Unsupervised Point Cloud Registration Method [64.86292006892093]
  本研究では、R-PointHopと呼ばれる監視されていない3Dポイントクラウド登録手法を提案する。 実験はModelNet40とStanford Bunnyデータセット上で行われ、3Dポイントクラウド登録タスクにおけるR-PointHopの有効性を示す。
  論文  参考訳（メタデータ） (2021-03-15T04:12:44Z)
• PointCutMix: Regularization Strategy for Point Cloud Classification [7.6904253666422395]
  本稿では,pointcutmixという,ポイントクラウドデータの簡易かつ効果的な拡張手法を提案する。 2つの点雲間の最適な割り当てを見つけ、1つのサンプルの点を最適に割り当てられたペアに置き換えることで、新しいトレーニングデータを生成する。
  論文  参考訳（メタデータ） (2021-01-05T11:39:06Z)
• 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。