論文の概要: ProxyFormer: Proxy Alignment Assisted Point Cloud Completion with
Missing Part Sensitive Transformer
- arxiv url: http://arxiv.org/abs/2302.14435v1
- Date: Tue, 28 Feb 2023 09:25:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-01 17:10:02.927660
- Title: ProxyFormer: Proxy Alignment Assisted Point Cloud Completion with
Missing Part Sensitive Transformer
- Title(参考訳): ProxyFormer: 部分感性変換器を欠いた点クラウド補完を支援するプロキシアライメント
- Authors: Shanshan Li, Pan Gao, Xiaoyang Tan, Mingqiang Wei
- Abstract要約: 本稿では, ProxyFormer という新しいポイントクラウド補完手法を提案する。
点雲を既存の(入力)と欠落した(予測される)部分に分割し、各部分はそのプロキシを通じて情報を伝達する。
提案手法は,複数のベンチマークデータセットにおいて,最先端の補完ネットワークよりも優れていることを示す。
- 参考スコア(独自算出の注目度): 26.027957774725344
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Problems such as equipment defects or limited viewpoints will lead the
captured point clouds to be incomplete. Therefore, recovering the complete
point clouds from the partial ones plays an vital role in many practical tasks,
and one of the keys lies in the prediction of the missing part. In this paper,
we propose a novel point cloud completion approach namely ProxyFormer that
divides point clouds into existing (input) and missing (to be predicted) parts
and each part communicates information through its proxies. Specifically, we
fuse information into point proxy via feature and position extractor, and
generate features for missing point proxies from the features of existing point
proxies. Then, in order to better perceive the position of missing points, we
design a missing part sensitive transformer, which converts random normal
distribution into reasonable position information, and uses proxy alignment to
refine the missing proxies. It makes the predicted point proxies more sensitive
to the features and positions of the missing part, and thus make these proxies
more suitable for subsequent coarse-to-fine processes. Experimental results
show that our method outperforms state-of-the-art completion networks on
several benchmark datasets and has the fastest inference speed. Code is
available at https://github.com/I2-Multimedia-Lab/ProxyFormer.
- Abstract(参考訳): 機器欠陥や限られた視点などの問題は、捕獲された点雲が不完全になる。
したがって、部分的な部分からの完全点雲の復元は多くの実践的なタスクにおいて重要な役割を担い、キーの1つが欠落した部分の予測にある。
本稿では,点雲を既存の(入力)と欠落した(予測される)部分に分割し,各部分がプロキシを介して情報を伝達する新しい点雲補完手法であるProxyFormerを提案する。
具体的には、特徴および位置抽出器を介して情報をポイントプロキシに融合し、既存のポイントプロキシの特徴から欠落点プロキシの特徴を生成する。
そして,失点位置をよりよく把握するために,無作為正規分布を合理的な位置情報に変換する欠落部分センシティブトランスを設計,欠落したプロキシアライメントを用いて補間を行う。
これにより、予測された点プロキシは、欠落した部分の特徴や位置に対してより敏感になり、これらのプロキシはその後の粗いプロセスに適合する。
実験結果から,提案手法は複数のベンチマークデータセット上で,最先端の補完ネットワークより優れ,推論速度が最速であることが示唆された。
コードはhttps://github.com/I2-Multimedia-Lab/ProxyFormerで入手できる。
関連論文リスト
- Collect-and-Distribute Transformer for 3D Point Cloud Analysis [82.03517861433849]
本稿では,点雲の短距離・長距離コンテキストを通信するための収集・分散機構を備えた新しい変圧器ネットワークを提案する。
その結果,提案したCDFormerの有効性が示され,ポイントクラウドの分類とセグメンテーションタスクにおける最先端のパフォーマンスがいくつか提供された。
論文 参考訳(メタデータ) (2023-06-02T03:48:45Z) - Robust Calibrate Proxy Loss for Deep Metric Learning [6.784952050036532]
本稿では、実際のサンプル情報を用いて、プロキシベースの損失の類似性計算を改善するCalibrate Proxy構造を提案する。
提案手法は,正規データセットと雑音データセットの両方において,一般的に使用されるプロキシベース損失の性能を効果的に向上できることを示す。
論文 参考訳(メタデータ) (2023-04-06T02:43:10Z) - Feature-Proxy Transformer for Few-Shot Segmentation [35.85575258482071]
Few-shot segmentation (FSS) は、いくつかのアノテーション付きサポートサンプルが与えられた新しいクラスでセマンティックセマンティックセマンティックセマンティクスを実行することを目的としている。
本稿では、線形分類ヘッドのセマンティッククラスを表すベクトルである「プロキシ」を特徴量変換器(FPTrans)法を提案する。
フレームワークは単純だが、FPTransは最先端デコーダ方式と同等に競合するFSS精度を実現する。
論文 参考訳(メタデータ) (2022-10-13T11:22:27Z) - REGTR: End-to-end Point Cloud Correspondences with Transformers [79.52112840465558]
我々は、注意機構が明示的な特徴マッチングとRANSACの役割を置き換えることができると推測する。
本稿では,最終文集合を直接予測するエンドツーエンドフレームワークを提案する。
提案手法は3DMatchおよびModelNetベンチマークにおける最先端性能を実現する。
論文 参考訳(メタデータ) (2022-03-28T06:01:00Z) - PoinTr: Diverse Point Cloud Completion with Geometry-Aware Transformers [81.71904691925428]
本稿では,ポイントクラウドの完了をセット・ツー・セットの翻訳問題として再定義する手法を提案する。
我々はまた、ポイントクラウド補完のためにトランスフォーマーエンコーダデコーダアーキテクチャを採用するPoinTrと呼ばれる新しいモデルも設計している。
提案手法は,新しいベンチマークと既存ベンチマークの両方において,最先端の手法よりも優れた性能を示す。
論文 参考訳(メタデータ) (2021-08-19T17:58:56Z) - UPDesc: Unsupervised Point Descriptor Learning for Robust Registration [54.95201961399334]
UPDescは、ロバストポイントクラウド登録のためのポイント記述子を学習するための教師なしの方法である。
学習した記述子は既存の教師なし手法よりも優れた性能を示すことを示す。
論文 参考訳(メタデータ) (2021-08-05T17:11:08Z) - Point Cloud Registration using Representative Overlapping Points [10.843159482657303]
本稿では,登録のための識別機能を備えた代表オーバーラップポイントを用いた新しいディープラーニングモデル ROPNetを提案する。
具体的には,エンコーダを用いてポイントオーバーラップスコアの予測にグローバルな特徴を抽出するコンテキスト誘導モジュールを提案する。
ノイズと部分重なり合う点雲を用いたModelNet40上での実験により,提案手法が従来の学習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) (2021-07-06T12:52:22Z) - Fewer is More: A Deep Graph Metric Learning Perspective Using Fewer
Proxies [65.92826041406802]
本稿では,グラフ分類の観点から,プロキシベースのディープグラフメトリックラーニング手法を提案する。
複数のグローバルプロキシを利用して、各クラスの元のデータポイントを総括的に近似する。
本研究では, 近接関係を接地トラス・ラベルに従って調整する, 新たな逆ラベル伝搬アルゴリズムを設計する。
論文 参考訳(メタデータ) (2020-10-26T14:52:42Z) - Cascaded Refinement Network for Point Cloud Completion [74.80746431691938]
本稿では,細かな物体形状を合成するための粗大な戦略とともに,カスケード型精細化ネットワークを提案する。
部分入力の局所的な詳細と大域的な形状情報を合わせて考えると、既存の詳細を不完全点集合に保存することができる。
また、各局所領域が同じパターンと基底的真理を持つことを保証し、複雑な点分布を学習するパッチ判別器を設計する。
論文 参考訳(メタデータ) (2020-04-07T13:03:29Z)
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。