論文の概要: A Tiny Machine Learning Model for Point Cloud Object Classification

• arxiv url: http://arxiv.org/abs/2303.10898v1
• Date: Mon, 20 Mar 2023 06:35:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-21 16:31:59.688465
• Title: A Tiny Machine Learning Model for Point Cloud Object Classification
• Title（参考訳）: ポイントクラウドオブジェクト分類のための小さな機械学習モデル
• Authors: Min Zhang, Jintang Xue, Pranav Kadam, Hardik Prajapati, Shan Liu, C.-C. Jay Kuo
• Abstract要約: 我々は,ポイントクラウドオブジェクトのマルチスケール表現を,複雑性低減のための単一スケール表現に置き換える。 我々は、点雲オブジェクトのリッチな3次元幾何情報を利用して性能を向上する。 提案手法は計算量が少ないためGreen-PointHopと名付けられた。
• 参考スコア（独自算出の注目度）: 49.16961132283838
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The design of a tiny machine learning model, which can be deployed in mobile and edge devices, for point cloud object classification is investigated in this work. To achieve this objective, we replace the multi-scale representation of a point cloud object with a single-scale representation for complexity reduction, and exploit rich 3D geometric information of a point cloud object for performance improvement. The proposed solution is named Green-PointHop due to its low computational complexity. We evaluate the performance of Green-PointHop on ModelNet40 and ScanObjectNN two datasets. Green-PointHop has a model size of 64K parameters. It demands 2.3M floating-point operations (FLOPs) to classify a ModelNet40 object of 1024 down-sampled points. Its classification performance gaps against the state-of-the-art DGCNN method are 3% and 7% for ModelNet40 and ScanObjectNN, respectively. On the other hand, the model size and inference complexity of DGCNN are 42X and 1203X of those of Green-PointHop, respectively.
• Abstract（参考訳）: 本研究では,モバイルおよびエッジデバイスに展開可能な,ポイントクラウドオブジェクト分類のための小型機械学習モデルの設計について検討した。 この目的を達成するために,ポイントクラウドオブジェクトのマルチスケール表現を,複雑性低減のための単一スケール表現に置き換え,パフォーマンス向上のためにポイントクラウドオブジェクトのリッチな3次元幾何学情報を活用する。 提案手法は計算量が少ないためGreen-PointHopと名付けられた。 モデルNet40とScanObjectNNの2つのデータセットにおけるGreen-PointHopの性能を評価する。 Green-PointHopのモデルサイズは64Kである。 2.3M浮動小数点演算(FLOP)を要求し、1024のダウンサンプリングポイントのModelNet40オブジェクトを分類する。 最先端の DGCNN 法に対する分類性能の差は ModelNet40 と ScanObjectNN それぞれ 3% と 7% である。 一方、DGCNNのモデルサイズと推論複雑性はそれぞれ、Green-PointHopのモデル42Xと1203Xである。

関連論文リスト

• PointeNet: A Lightweight Framework for Effective and Efficient Point Cloud Analysis [28.54939134635978]
  PointeNetは、ポイントクラウド分析に特化したネットワークである。 本手法は,分類/分割ヘッドとシームレスに統合したり,市販の3Dオブジェクト検出ネットワークに埋め込んだりすることで,柔軟性を示す。 ModelNet40、ScanObjectNN、ShapeNet KITTI、およびシーンレベルのデータセットKITTIを含むオブジェクトレベルのデータセットの実験は、ポイントクラウド分析における最先端メソッドよりもPointeNetの方が優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2023-12-20T03:34:48Z)
• Mini-PointNetPlus: a local feature descriptor in deep learning model for 3d environment perception [7.304195370862869]
  そこで我々は,PointNet へのプラグイン・アンド・プレイの代替として,新しいローカル機能記述子 mini-PointNetPlus を提案する。 我々の基本的な考え方は、データポイントを考慮された個々の特徴に別々に投影することであり、それぞれが置換不変となる。 提案する記述子の特徴を十分に活用するため,3次元知覚の性能向上実験を行った。
  論文  参考訳（メタデータ） (2023-07-25T07:30:28Z)
• Low-Resource White-Box Semantic Segmentation of Supporting Towers on 3D Point Clouds via Signature Shape Identification [52.77024349608834]
  SCENE-Netは3Dポイントクラウドセマンティックセグメンテーションのための低リソースのホワイトボックスモデルである。 ラップトップでのトレーニング時間は85分、推論時間は20ミリ秒です。 40000 Kmというラベル付きラベル付きデータセットを、農村の地形点雲とコード実装のデータセットとしてリリースしています。
  論文  参考訳（メタデータ） (2023-06-13T14:36:06Z)
• Variational Relational Point Completion Network for Robust 3D Classification [59.80993960827833]
  可変点雲補完法は、局所的な詳細を欠くため、大域的な形状の骨格を生成する傾向がある。 本稿では2つの魅力的な特性を持つ変分フレームワークであるポイントコンプリートネットワーク(VRCNet)を提案する。 VRCNetは、現実世界のポイントクラウドスキャンにおいて、非常に一般化性と堅牢性を示している。
  論文  参考訳（メタデータ） (2023-04-18T17:03:20Z)
• Local Neighborhood Features for 3D Classification [7.081193814489042]
  我々はPointNeXtモデルを再検討し、そのような近辺点の特徴の利用と利点について検討する。 実際のデータセットを持つPointNeXtモデルでは、0.5%、1%、4.8%、3.4%、および1.6%の精度が得られます。
  論文  参考訳（メタデータ） (2022-12-09T22:53:40Z)
• GSIP: Green Semantic Segmentation of Large-Scale Indoor Point Clouds [64.86292006892093]
  GSIP (Green of Indoor Point clouds) は大規模屋内シーンポイント雲のセマンティックセグメンテーションの効率的なソリューションである。 GSIPには2つの新しいコンポーネントがある: 1) 更なる処理のためにポイントの適切なサブセットを選択するルームスタイルのデータ前処理方法、2) ポイントホップから拡張された新しい特徴抽出器。 実験の結果、GSIPはS3DISデータセットのセグメンテーション性能においてPointNetよりも優れていた。
  論文  参考訳（メタデータ） (2021-09-24T09:26:53Z)
• 3D Object Classification on Partial Point Clouds: A Practical Perspective [91.81377258830703]
  点雲は3次元オブジェクト分類において一般的な形状表現である。 本稿では,任意のポーズの下でオブジェクトインスタンスの部分点雲を分類する実践的な設定を提案する。 本稿では,アライメント分類手法による新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-12-18T04:00:56Z)
• 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)
• Triangle-Net: Towards Robustness in Point Cloud Learning [0.0]
  本稿では, 回転, 位置シフト, スケーリングに対する不変性を同時に実現し, 点間隔に頑健な3次元分類手法を提案する。 提案手法は,ModelNet 40分類タスクにおいて,ポイントネットと3DmFVをそれぞれ35.0%,28.1%で上回っている。
  論文  参考訳（メタデータ） (2020-02-27T20:42:32Z)

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。