論文の概要: Attention-based Point Cloud Edge Sampling

• arxiv url: http://arxiv.org/abs/2302.14673v1
• Date: Tue, 28 Feb 2023 15:36:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-01 15:46:50.260799
• Title: Attention-based Point Cloud Edge Sampling
• Title（参考訳）: 注意に基づくポイントクラウドエッジサンプリング
• Authors: Chengzhi Wu, Junwei Zheng, Julius Pfrommer, J\"urgen Beyerer
• Abstract要約: 本稿では,非生成的注意に基づくポイントクラウドエッジサンプリング法(APES)を提案する。 実験の結果, 得られた重要なアウトライン情報から, サンプリング手法により, より優れた性能が得られることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Point cloud sampling is a less explored research topic for this data representation. The most common sampling methods nowadays are still classical random sampling and farthest point sampling. With the development of neural networks, various methods have been proposed to sample point clouds in a task-based learning manner. However, these methods are mostly generative-based, other than selecting points directly with mathematical statistics. Inspired by the Canny edge detection algorithm for images and with the help of the attention mechanism, this paper proposes a non-generative Attention-based Point cloud Edge Sampling method (APES), which can capture the outline of input point clouds. Experimental results show that better performances are achieved with our sampling method due to the important outline information it learned.
• Abstract（参考訳）: ポイントクラウドサンプリングは、このデータ表現についてあまり研究されていないトピックである。 現在最も一般的なサンプリング方法は、古典的ランダムサンプリングと最遠点サンプリングである。 ニューラルネットワークの開発により、タスクベースの学習方法で点雲をサンプリングする様々な手法が提案されている。 しかし、これらの手法は、数学的な統計で直接点を選択すること以外は、主に生成に基づくものである。 画像のCannyエッジ検出アルゴリズムにインスパイアされ、注意機構の助けを借りて、入力点雲の輪郭を捉える非生成的注意型ポイントクラウドエッジサンプリング法(APES)を提案する。 実験の結果,学習した重要なアウトライン情報により,サンプリング法により良好な性能が得られた。

関連論文リスト

• Arbitrary-Scale Point Cloud Upsampling by Voxel-Based Network with Latent Geometric-Consistent Learning [52.825441454264585]
  Voxel-based Network (textbfPU-VoxelNet) を用いた任意のスケールのクラウド・アップサンプリング・フレームワークを提案する。 ボクセル表現から継承された完全性と規則性により、ボクセルベースのネットワークは3次元表面を近似する事前定義されたグリッド空間を提供することができる。 密度誘導グリッド再サンプリング法を開発し、高忠実度点を生成するとともに、サンプリング出力を効果的に回避する。
  論文  参考訳（メタデータ） (2024-03-08T07:31:14Z)
• Hierarchical Adaptive Voxel-guided Sampling for Real-time Applications in Large-scale Point Clouds [6.094829692829813]
  本稿では,線形複雑化と高並列化を実現した階層型適応型ボクセル誘導点サンプリング器を提案する。 提案手法は,100倍以上の速度で,最も強力なFPSと競合する性能を実現する。 我々のサンプルは既存のモデルに簡単に統合でき、最小限の労力でランタイムを20$sim$80%削減できる。
  論文  参考訳（メタデータ） (2023-05-23T17:45:49Z)
• AU-PD: An Arbitrary-size and Uniform Downsampling Framework for Point Clouds [6.786701761788659]
  我々はAU-PDという新しいタスク対応サンプリングフレームワークを導入し、ポイントクラウドを直接小さなサイズにダウンサンプルする。 私たちは、ダウンストリームタスクの損失によって引き起こされるタスク認識を実現するために、プリサンプルセットを洗練します。 注意機構と適切なトレーニングスキームにより、フレームワークは異なるサイズのプリサンプルセットを適応的に洗練することを学ぶ。
  論文  参考訳（メタデータ） (2022-11-02T13:37:16Z)
• APSNet: Attention Based Point Cloud Sampling [0.7734726150561088]
  我々は,この問題に対処するため,アテンションベースのポイントクラウドサンプリングネットワーク(APSNet)を開発した。 APSNetの教師付き学習と知識蒸留に基づく自己教師型学習の両方を提案する。 実験では、様々な下流タスクにおける最先端技術に対するAPSNetの優れた性能を示す。
  論文  参考訳（メタデータ） (2022-10-11T17:30:46Z)
• Self-Supervised Arbitrary-Scale Point Clouds Upsampling via Implicit Neural Representation [79.60988242843437]
  そこで本研究では,自己監督型および倍率フレキシブルな点雲を同時にアップサンプリングする手法を提案する。 実験結果から, 自己教師あり学習に基づく手法は, 教師あり学習に基づく手法よりも, 競争力や性能が向上することが示された。
  論文  参考訳（メタデータ） (2022-04-18T07:18:25Z)
• PUFA-GAN: A Frequency-Aware Generative Adversarial Network for 3D Point Cloud Upsampling [56.463507980857216]
  本稿では,点群アップサンプリングのための生成的対向ネットワークを提案する。 基底表面に均等に分布するアップサンプリングポイントを作成できるだけでなく、クリーンな高周波領域を効率的に生成することができる。
  論文  参考訳（メタデータ） (2022-03-02T07:47:46Z)
• Beyond Farthest Point Sampling in Point-Wise Analysis [52.218037492342546]
  本稿では,ポイントワイズ分析タスクのための新しいデータ駆動型サンプル学習手法を提案する。 我々はサンプルと下流のアプリケーションを共同で学習する。 実験により, 従来のベースライン法に比べて, サンプルとタスクの同時学習が顕著に改善することが示された。
  論文  参考訳（メタデータ） (2021-07-09T08:08:44Z)
• Learning Semantic Segmentation of Large-Scale Point Clouds with Random Sampling [52.464516118826765]
  我々はRandLA-Netを紹介した。RandLA-Netは、大規模ポイントクラウドのポイントごとの意味を推論する、効率的で軽量なニューラルネットワークアーキテクチャである。 我々のアプローチの鍵は、より複雑な点選択アプローチではなく、ランダムな点サンプリングを使用することである。 我々のRandLA-Netは、既存のアプローチよりも最大200倍高速な1回のパスで100万ポイントを処理できます。
  論文  参考訳（メタデータ） (2021-07-06T05:08:34Z)
• Rethinking Sampling in 3D Point Cloud Generative Adversarial Networks [82.72642388129843]
  サンプリング非感受性判別器は点クラスタリングアーティファクトを持つ形状点雲を生成する一方で、サンプリング非感受性判別器は有効な形状生成を導くことができないことを示す。 判別器の異なるサンプリング感度を示すために,サンプリングスペクトルの概念を提案する。 そこで本研究では, サンプリング関連指標において, 既存のクラウドジェネレータをすべて改良した, ミドルポイントサンプリング対応のベースライン判別器であるPointNet-Mixについて検討する。
  論文  参考訳（メタデータ） (2020-06-12T09:29:24Z)

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。