Fugu-MT 論文翻訳(概要): EPiC: Ensemble of Partial Point Clouds for Robust Classification

論文の概要: EPiC: Ensemble of Partial Point Clouds for Robust Classification

arxiv url: http://arxiv.org/abs/2303.11419v2
Date: Mon, 24 Apr 2023 16:58:47 GMT
ステータス: 処理完了
システム内更新日: 2023-04-25 20:39:15.169637
Title: EPiC: Ensemble of Partial Point Clouds for Robust Classification
Title（参考訳）: EPiC:ロバスト分類のための部分点雲の集合
Authors: Meir Yossef Levi and Guy Gilboa
Abstract要約: 本稿では,部分点クラウドサンプリングに基づく一般的なアンサンブルフレームワークを提案する。 3つのサンプリング戦略が共同で使用され、パッチと曲線に基づく2つの局所的な手法と、ランダムサンプリングのグローバルな方法である。本研究の枠組みは,上位分類網の頑健性を大幅に向上することを示す。
参考スコア（独自算出の注目度）: 8.477619837043214
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Robust point cloud classification is crucial for real-world applications, as consumer-type 3D sensors often yield partial and noisy data, degraded by various artifacts. In this work we propose a general ensemble framework, based on partial point cloud sampling. Each ensemble member is exposed to only partial input data. Three sampling strategies are used jointly, two local ones, based on patches and curves, and a global one of random sampling. We demonstrate the robustness of our method to various local and global degradations. We show that our framework significantly improves the robustness of top classification netowrks by a large margin. Our experimental setting uses the recently introduced ModelNet-C database by Ren et al.[24], where we reach SOTA both on unaugmented and on augmented data. Our unaugmented mean Corruption Error (mCE) is 0.64 (current SOTA is 0.86) and 0.50 for augmented data (current SOTA is 0.57). We analyze and explain these remarkable results through diversity analysis. Our code is available at: https://github.com/yossilevii100/EPiC
Abstract（参考訳）: コンシューマー型3Dセンサーは、様々なアーティファクトによって劣化する部分的かつノイズの多いデータを生成することが多いため、現実のアプリケーションにはロバストポイントクラウド分類が不可欠である。本研究では,部分点クラウドサンプリングに基づく一般的なアンサンブルフレームワークを提案する。各アンサンブル部材は、部分入力データのみに露出する。 3つのサンプリング戦略、パッチと曲線に基づく2つのローカル戦略、ランダムサンプリングのグローバル戦略が共同で使用される。局所的および大域的劣化に対する本手法の堅牢性を示す。本研究の枠組みは,上位分類網の頑健性を大幅に向上することを示す。実験ではRenらが最近導入したModelNet-Cデータベースを使用しました。 [24] 未拡張データと拡張データの両方でSOTAに到達します。推定平均腐敗誤差(mce)は0.64(現在のsotaは0.86)であり、拡張データ(現在のsotaは0.57)は0.50である。多様性分析によってこれらの顕著な結果を解析し、説明する。私たちのコードは、https://github.com/yossilevii100/EPiCで利用可能です。

関連論文リスト

Learning Continuous Implicit Field with Local Distance Indicator for Arbitrary-Scale Point Cloud Upsampling [55.05706827963042]
点雲アップサンプリングは、疎点雲から密度が高く均一に分散した点集合を生成することを目的としている。従来のメソッドは通常、スパースポイントクラウドをいくつかのローカルパッチ、アップサンプルパッチポイント、すべてのアップサンプルパッチにマージする。そこで本研究では,点雲のアップサンプリングのために,局所的な先行者によって導かれる符号のない距離場を学習する手法を提案する。
論文参考訳（メタデータ） (2023-12-23T01:52:14Z)
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)
OOD-CV-v2: An extended Benchmark for Robustness to Out-of-Distribution Shifts of Individual Nuisances in Natural Images [59.51657161097337]
OOD-CV-v2は、ポーズ、形状、テクスチャ、コンテキスト、気象条件の10のオブジェクトカテゴリのアウト・オブ・ディストリビューションの例を含むベンチマークデータセットである。この新たなデータセットに加えて、一般的なベースライン手法を用いた広範な実験にも貢献する。
論文参考訳（メタデータ） (2023-04-17T20:39:25Z)
CAGroup3D: Class-Aware Grouping for 3D Object Detection on Point Clouds [55.44204039410225]
本稿では,CAGroup3Dという新しい2段階完全スパース3Dオブジェクト検出フレームワークを提案する。提案手法は,まず,オブジェクト表面のボクセル上でのクラス認識型局所群戦略を活用することによって,高品質な3D提案を生成する。不正なボクセルワイドセグメンテーションにより欠落したボクセルの特徴を回復するために,完全にスパースな畳み込み型RoIプールモジュールを構築した。
論文参考訳（メタデータ） (2022-10-09T13:38:48Z)
Stratified Transformer for 3D Point Cloud Segmentation [89.9698499437732]
Stratified Transformerは、長距離コンテキストをキャプチャし、強力な一般化能力と高性能を示す。不規則な点配置によって引き起こされる課題に対処するために,局所情報を集約する第1層点埋め込みを提案する。 S3DIS, ScanNetv2およびShapeNetPartデータセットにおける本手法の有効性と優位性を示す実験を行った。
論文参考訳（メタデータ） (2022-03-28T05:35:16Z)
Benchmarking Robustness of 3D Point Cloud Recognition Against Common Corruptions [38.89370166717221]
筆者らは,3Dポイントクラウドの破壊堅牢性に関する最初の総合的なベンチマークであるModelNet40-Cを提案する。評価の結果,モデルNet40 とモデルNet40-C では,最先端モデル (SOTA) では大きな差がみられた。適切なトレーニングレシピを持つTransformerベースのアーキテクチャは、強力な堅牢性を実現する。
論文参考訳（メタデータ） (2022-01-28T18:01:42Z)
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)
Point Transformer for Shape Classification and Retrieval of 3D and ALS Roof PointClouds [3.3744638598036123]
本稿では,リッチポイントクラウド表現の導出を目的とした,完全注意モデルであるem Point Transformerを提案する。モデルの形状分類と検索性能は,大規模都市データセット - RoofN3D と標準ベンチマークデータセット ModelNet40 で評価される。提案手法は、RoofN3Dデータセットの他の最先端モデルよりも優れており、ModelNet40ベンチマークで競合する結果を与え、目に見えない点の破損に対して高い堅牢性を示す。
論文参考訳（メタデータ） (2020-11-08T08:11:02Z)
A Nearest Neighbor Network to Extract Digital Terrain Models from 3D Point Clouds [1.6249267147413524]
本稿では,3Dポイントのクラウド上で動作し,エンド・ツー・エンドのアプローチを用いてシーンの基盤となるDTMを推定するアルゴリズムを提案する。我々のモデルは近隣情報を学習し、これをポイントワイドでブロックワイドなグローバルな特徴とシームレスに統合する。
論文参考訳（メタデータ） (2020-05-21T15:54:55Z)
NWPU-Crowd: A Large-Scale Benchmark for Crowd Counting and Localization [101.13851473792334]
我々は,5,109枚の画像からなる大規模集束群集NWPU-Crowdを構築し,合計2,133,375個の点と箱を付加したアノテートヘッドを構築した。他の実世界のデータセットと比較すると、様々な照明シーンを含み、最大密度範囲 (020,033) を持つ。本稿では,データ特性について述べるとともに,主要なSOTA(State-of-the-art)手法の性能を評価し,新たなデータに生じる問題を分析する。
論文参考訳（メタデータ） (2020-01-10T09:26:04Z)

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。