論文の概要: Interpreting Hidden Semantics in the Intermediate Layers of 3D Point Cloud Classification Neural Network

• arxiv url: http://arxiv.org/abs/2303.06652v1
• Date: Sun, 12 Mar 2023 12:54:29 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-14 17:35:30.594688
• Title: Interpreting Hidden Semantics in the Intermediate Layers of 3D Point Cloud Classification Neural Network
• Title（参考訳）: 3次元点雲分類ニューラルネットワークの中間層における隠れ意味論の解釈
• Authors: Weiquan Liu, Minghao Liu, Shijun Zheng, Cheng Wang
• Abstract要約: 本稿では,3Dポイントクラウド分類ニューラルネットワークの隠れセマンティクスを解釈する新しい手法を提案する。 提案手法は,ModelNet40とShapeNet上の3Dポイントクラウド分類ニューラルネットワークの隠れセマンティクスを明らかにする。
• 参考スコア（独自算出の注目度）: 9.60521035614753
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Although 3D point cloud classification neural network models have been widely used, the in-depth interpretation of the activation of the neurons and layers is still a challenge. We propose a novel approach, named Relevance Flow, to interpret the hidden semantics of 3D point cloud classification neural networks. It delivers the class Relevance to the activated neurons in the intermediate layers in a back-propagation manner, and associates the activation of neurons with the input points to visualize the hidden semantics of each layer. Specially, we reveal that the 3D point cloud classification neural network has learned the plane-level and part-level hidden semantics in the intermediate layers, and utilize the normal and IoU to evaluate the consistency of both levels' hidden semantics. Besides, by using the hidden semantics, we generate the adversarial attack samples to attack 3D point cloud classifiers. Experiments show that our proposed method reveals the hidden semantics of the 3D point cloud classification neural network on ModelNet40 and ShapeNet, which can be used for the unsupervised point cloud part segmentation without labels and attacking the 3D point cloud classifiers.
• Abstract（参考訳）: 3Dポイントクラウド分類ニューラルネットワークモデルが広く使用されているが、ニューロンとレイヤの活性化の詳細な解釈は依然として難しい。 本稿では,3Dポイントクラウド分類ニューラルネットワークの隠れセマンティクスを解釈するために,Relevance Flowという新しい手法を提案する。 中間層における活性化ニューロンのクラス関連性をバックプロパゲーション方式で提供し、ニューロンの活性化と入力ポイントを関連付けて各層の隠れセマンティクスを可視化する。 特に,3dポイントクラウド分類ニューラルネットワークは,中間層における平面レベルおよび部分レベルの隠れ意味論を学習し,正規およびiouを用いて,両レベルの隠れ意味論の一貫性を評価する。 さらに, 隠れセマンティクスを用いて, 3次元点群分類器を攻撃するための逆攻撃サンプルを生成する。 実験により,提案手法は3次元点クラウド分類ニューラルネットワークの隠れた意味をモデルnet40とshapenet上で明らかにし,ラベル無しで教師なし点クラウド部分セグメンテーションや3次元点クラウド分類器を攻撃できることを示した。

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)
• Data Augmentation-free Unsupervised Learning for 3D Point Cloud Understanding [61.30276576646909]
  ソフトクラスタリング(SoftClu)と呼ばれる,移動可能な点レベルの特徴を学習するための,ポイントクラウドに対する拡張不要な教師なしアプローチを提案する。 我々は,クラスタに対するポイントのアフィリエイトをプロキシとして利用し,擬似ラベル予測タスクを通じて自己学習を可能にする。
  論文  参考訳（メタデータ） (2022-10-06T10:18:16Z)
• Explaining Deep Neural Networks for Point Clouds using Gradient-based Visualisations [1.2891210250935146]
  本研究では,非構造化3次元データの分類を目的としたネットワークの粗い視覚的説明を生成する手法を提案する。 提案手法では,最終特徴写像層に逆流する勾配を用いて,これらの値を入力点クラウド内の対応する点の寄与としてマップする。 このアプローチの汎用性は、シングルオブジェクトネットワークのPointNet、PointNet++、DGCNN、a'scene'ネットワークのVoteNetなど、さまざまなポイントクラウド分類ネットワークでテストされている。
  論文  参考訳（メタデータ） (2022-07-26T15:42:08Z)
• 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)
• Voint Cloud: Multi-View Point Cloud Representation for 3D Understanding [80.04281842702294]
  本稿では,複数の視点から抽出した特徴の集合として,各3次元点を表す多視点クラウド(Voint Cloud)の概念を紹介する。 この新しい3次元Vointクラウド表現は、3Dポイントクラウド表現のコンパクト性と、マルチビュー表現の自然なビュー認識性を組み合わせたものである。 理論的に確立された機能を持つVointニューラルネットワーク(VointNet)をデプロイし,Voint空間の表現を学習する。
  論文  参考訳（メタデータ） (2021-11-30T13:08:19Z)
• PnP-3D: A Plug-and-Play for 3D Point Clouds [38.05362492645094]
  本稿では,既存ネットワークのポイントクラウドデータ解析における有効性を改善するために,プラグイン・アンド・プレイモジュール -3D を提案する。 アプローチを徹底的に評価するために,3つの標準的なクラウド分析タスクについて実験を行った。 本研究は,最先端の成果の達成に加えて,我々のアプローチのメリットを実証する包括的研究を提案する。
  論文  参考訳（メタデータ） (2021-08-16T23:59:43Z)
• FatNet: A Feature-attentive Network for 3D Point Cloud Processing [1.502579291513768]
  本稿では,グローバルポイントベースの機能とエッジベースの機能を組み合わせた,新たな機能指向ニューラルネットワーク層であるfat layerを提案する。 当社のアーキテクチャは,ModelNet40データセットで示すように,ポイントクラウド分類のタスクにおける最先端の成果を達成する。
  論文  参考訳（メタデータ） (2021-04-07T23:13:56Z)
• Minimal Adversarial Examples for Deep Learning on 3D Point Clouds [25.569519066857705]
  本研究では、ポイントクラウドベースのニューラルネットワークに対する敵攻撃について検討する。 本稿では2つの異なる攻撃戦略を一般化できる対向点雲生成のための統一的な定式化を提案する。 提案手法は, 合成データと実世界のデータに対して, 89%以上の攻撃成功率と90%の攻撃成功率で, 最先端の性能を実現する。
  論文  参考訳（メタデータ） (2020-08-27T11:50:45Z)
• GRNet: Gridding Residual Network for Dense Point Cloud Completion [54.43648460932248]
  完全な3Dポイントクラウドを不完全なクラウドから推定することは、多くのビジョンやロボティクスアプリケーションにおいて重要な問題である。 本稿では,ポイントクラウド補完のための新しいGridding Residual Network(GRNet)を提案する。 実験結果から,提案したGRNetはShapeNet,Completion3D,KITTIベンチマークの最先端手法に対して良好に動作することがわかった。
  論文  参考訳（メタデータ） (2020-06-06T02:46:39Z)
• Multi-Path Region Mining For Weakly Supervised 3D Semantic Segmentation on Point Clouds [67.0904905172941]
  本稿では,3次元点雲上の弱ラベルを用いた点レベルの予測のための弱教師付きアプローチを提案する。 私たちの知る限りでは、これは、クラウドレベルの弱いラベルを生の3D空間で使用して、ポイントクラウドセマンティックセグメンテーションネットワークをトレーニングする最初の方法です。
  論文  参考訳（メタデータ） (2020-03-29T14:13:29Z)

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。