論文の概要: GAM : Gradient Attention Module of Optimization for Point Clouds Analysis

• arxiv url: http://arxiv.org/abs/2303.10543v2
• Date: Tue, 21 Mar 2023 02:36:31 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-22 11:11:04.266749
• Title: GAM : Gradient Attention Module of Optimization for Point Clouds Analysis
• Title（参考訳）: GAM : 点雲解析のための最適化の勾配注意モジュール
• Authors: Haotian Hu, Fanyi Wang, Jingwen Su, Hongtao Zhou, Yaonong Wang, Laifeng Hu, Yanhao Zhang, Zhiwang Zhang
• Abstract要約: 点雲解析タスクでは、既存のローカル特徴集約記述子(LFAD)は中心点近傍の情報を完全に活用できない。 本稿では, グラディエント・アテンション・モジュール (GAM) と呼ばれる勾配に基づく局所的アテンション・モジュールを提案する。 GAMは、それぞれ74.4%/90.6%/83.2%のmIoU/OA/mAccを持つ現行のポイントベースモデルの中で最高のパフォーマンスを達成している。
• 参考スコア（独自算出の注目度）: 8.986123309626551
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In point cloud analysis tasks, the existing local feature aggregation descriptors (LFAD) are unable to fully utilize information in the neighborhood of central points. Previous methods rely solely on Euclidean distance to constrain the local aggregation process, which can be easily affected by abnormal points and cannot adequately fit with the original geometry of the point cloud. We believe that fine-grained geometric information (FGGI) is significant for the aggregation of local features. Therefore, we propose a gradient-based local attention module, termed as Gradient Attention Module (GAM), to address the aforementioned problem. Our proposed GAM simplifies the process that extracts gradient information in the neighborhood and uses the Zenith Angle matrix and Azimuth Angle matrix as explicit representation, which accelerates the module by 35X. Comprehensive experiments were conducted on five benchmark datasets to demonstrate the effectiveness and generalization capability of the proposed GAM for 3D point cloud analysis. Especially on S3DIS dataset, GAM achieves the best performance among current point-based models with mIoU/OA/mAcc of 74.4%/90.6%/83.2%, respectively.
• Abstract（参考訳）: 点雲解析タスクでは、既存のローカル特徴集約記述子(LFAD)は中心点近傍の情報を完全に活用できない。 従来の手法はユークリッド距離のみに頼って局所的な凝集過程を制限しており、これは異常な点の影響を受けやすく、点雲の元々の幾何学に適切に適合できない。 局所的な特徴の集約には,微細な幾何情報(FGGI)が重要であると考えられる。 そこで,上記の問題に対処するために,グラデーションアテンションモジュール (gam) と呼ばれる勾配ベースの局所アテンションモジュールを提案する。 提案したGAMは,近傍の勾配情報を抽出するプロセスを単純化し,Zenith Angle行列とAzimuth Angle行列を明示的表現として使用し,モジュールを35倍高速化する。 3dポイントクラウド解析に提案するgamの有効性と一般化性を示すため,5つのベンチマークデータセットで包括的な実験を行った。 特にS3DISデータセットにおいて、GAMは、それぞれ74.4%/90.6%/83.2%のmIoU/OA/mAccを持つ現在の点ベースモデルの中で最高のパフォーマンスを達成する。

関連論文リスト

• On-the-fly Point Feature Representation for Point Clouds Analysis [7.074010861305738]
  そこで我々は,曲線特徴生成モジュールを通じて,豊富な幾何学的情報を明示的にキャプチャするOn-the-fly Point Feature Representation (OPFR)を提案する。 また、三角形集合に基づく局所座標系を近似した局所参照コンストラクタモジュールを導入する。 OPFRは推論に1.56ms(バニラPFHより65倍速い)と0.012M以上のパラメータしか必要とせず、様々なバックボーン用の汎用的なプラグアンドプレイモジュールとして機能する。
  論文  参考訳（メタデータ） (2024-07-31T04:57:06Z)
• Point Deformable Network with Enhanced Normal Embedding for Point Cloud Analysis [59.12922158979068]
  近年,ポイントクラウド解析において高い性能を示す手法が提案されている。 単純なアーキテクチャは局所的な点群で幾何学的特徴を学ぶことができるが、長距離依存を直接モデル化することができない。 本稿では,表現能力の強い長距離関係を捉えるために,PDNet(Point Deformable Network)を提案する。
  論文  参考訳（メタデータ） (2023-12-20T14:52:07Z)
• Point Cloud Pre-training with Diffusion Models [62.12279263217138]
  我々は、ポイントクラウド拡散事前学習(PointDif)と呼ばれる新しい事前学習手法を提案する。 PointDifは、分類、セグメンテーション、検出など、さまざまな下流タスクのために、さまざまな現実世界のデータセット間で大幅に改善されている。
  論文  参考訳（メタデータ） (2023-11-25T08:10:05Z)
• PointPatchMix: Point Cloud Mixing with Patch Scoring [58.58535918705736]
  我々は、パッチレベルでポイントクラウドを混合し、混合ポイントクラウドのコンテンツベースターゲットを生成するPointPatchMixを提案する。 パッチスコアリングモジュールは、事前学習した教師モデルから、コンテンツに基づく重要度スコアに基づいて目標を割り当てる。 Point-MAE をベースラインとして,ScanObjectNN では86.3%,ModelNet40 では94.1% の精度で,従来の手法をかなり上回りました。
  論文  参考訳（メタデータ） (2023-03-12T14:49:42Z)
• SASA: Semantics-Augmented Set Abstraction for Point-based 3D Object Detection [78.90102636266276]
  SASA(Semantics-Augmented Set Abstraction)と呼ばれる新しい集合抽象化手法を提案する。 そこで本研究では, 推定点前景スコアに基づいて, より重要な前景点の維持を支援するセマンティックス誘導点サンプリングアルゴリズムを提案する。 実際には、SASAは、前景オブジェクトに関連する貴重な点を識別し、ポイントベースの3D検出のための特徴学習を改善するのに有効である。
  論文  参考訳（メタデータ） (2022-01-06T08:54:47Z)
• GPCO: An Unsupervised Green Point Cloud Odometry Method [64.86292006892093]
  軽量な点状クラウド・オドメトリー法を提案し, GPCO法と名付けた。 GPCOは、連続点雲スキャンの特徴と一致することによって物体の動きを予測する教師なし学習法である。 GPCOは、モデルサイズが大幅に小さく、トレーニング時間も少ないのに対して、ディープラーニング手法のベンチマークを精度で上回ることが観察された。
  論文  参考訳（メタデータ） (2021-12-08T00:24:03Z)
• Exploiting Local Geometry for Feature and Graph Construction for Better 3D Point Cloud Processing with Graph Neural Networks [22.936590869919865]
  グラフニューラルネットワークの一般枠組みにおける点表現と局所近傍グラフ構築の改善を提案する。 提案されたネットワークは、トレーニングの収束を高速化する。 分類のための40%のより少ないエポック。
  論文  参考訳（メタデータ） (2021-03-28T21:34:59Z)
• Robust Kernel-based Feature Representation for 3D Point Cloud Analysis via Circular Graph Convolutional Network [2.42919716430661]
  本稿では,回転,密度,スケール変動に堅牢な新しい局所特徴記述法を提案する。 局所記述子の表現を改善するために,グローバルアグリゲーション手法を提案する。 本手法は最先端手法と比較して優れた性能を示す。
  論文  参考訳（メタデータ） (2020-12-22T18:02:57Z)
• Local Grid Rendering Networks for 3D Object Detection in Point Clouds [98.02655863113154]
  CNNは強力だが、全点の雲を高密度の3Dグリッドに酸化した後、点データに直接畳み込みを適用するのは計算コストがかかる。 入力点のサブセットの小さな近傍を低解像度の3Dグリッドに独立してレンダリングする,新しい,原理化されたローカルグリッドレンダリング(LGR)演算を提案する。 ScanNetとSUN RGB-Dデータセットを用いた3次元オブジェクト検出のためのLGR-Netを検証する。
  論文  参考訳（メタデータ） (2020-07-04T13:57:43Z)
• 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)

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。