論文の概要: CurveCloudNet: Processing Point Clouds with 1D Structure

• arxiv url: http://arxiv.org/abs/2303.12050v1
• Date: Tue, 21 Mar 2023 17:41:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-22 13:53:02.760215
• Title: CurveCloudNet: Processing Point Clouds with 1D Structure
• Title（参考訳）: CurveCloudNet: 1D構造によるポイントクラウドの処理
• Authors: Colton Stearns and Jiateng Liu and Davis Rempe and Despoina Paschalidou and Jeong Joon Park and Sebastien Mascha and Leonidas J. Guibas
• Abstract要約: 我々はCurveCloudNetと呼ばれる新しいポイントクラウド処理方式とバックボーンを導入する。 CurveCloudNetは、ポイントクラウドをポリラインの集合としてパラメータ化し、ポイント上の局所的なサーフェスアウェアの順序を確立する。 提案手法は,曲線雲の対称な1次元畳み込み,曲線に沿った点をマージする球群,曲線上の1次元極端点サンプリングアルゴリズムを含む曲線雲の処理に曲線固有演算を適用した。
• 参考スコア（独自算出の注目度）: 52.71577329844576
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern depth sensors such as LiDAR operate by sweeping laser-beams across the scene, resulting in a point cloud with notable 1D curve-like structures. In this work, we introduce a new point cloud processing scheme and backbone, called CurveCloudNet, which takes advantage of the curve-like structure inherent to these sensors. While existing backbones discard the rich 1D traversal patterns and rely on Euclidean operations, CurveCloudNet parameterizes the point cloud as a collection of polylines (dubbed a "curve cloud"), establishing a local surface-aware ordering on the points. Our method applies curve-specific operations to process the curve cloud, including a symmetric 1D convolution, a ball grouping for merging points along curves, and an efficient 1D farthest point sampling algorithm on curves. By combining these curve operations with existing point-based operations, CurveCloudNet is an efficient, scalable, and accurate backbone with low GPU memory requirements. Evaluations on the ShapeNet, Kortx, Audi Driving, and nuScenes datasets demonstrate that CurveCloudNet outperforms both point-based and sparse-voxel backbones in various segmentation settings, notably scaling better to large scenes than point-based alternatives while exhibiting better single object performance than sparse-voxel alternatives.
• Abstract（参考訳）: 現代のLiDARのような深度センサーは、レーザービームを現場に流し込み、1Dカーブのような構造を持つ点雲を発生させる。 本研究では,これらのセンサに固有の曲線のような構造を生かした,CurveCloudNetという新たなポイントクラウド処理方式とバックボーンを導入する。 既存のバックボーンはリッチな1Dトラバーサルパターンを捨ててユークリッド演算に依存するが、CurveCloudNetはポイントクラウドをポリライン(「カーブクラウド」と呼ばれる)の集合としてパラメータ化し、ポイント上の局所的なサーフェス認識の順序を確立する。 本手法では,曲線雲の対称な1次元畳み込み,曲線に沿った点をマージする球群,曲線上での1次元極端点サンプリングアルゴリズムなど,曲線固有演算を適用した。 これらのカーブ操作と既存のポイントベースの操作を組み合わせることで、curvecloudnetはgpuメモリ要件の少ない効率的でスケーラブルで正確なバックボーンとなる。 ShapeNet、Kortx、Audi Driving、nuScenesデータセットの評価によると、CurveCloudNetは、さまざまなセグメンテーション設定において、ポイントベースとスパースボクセルの両方のバックボーンよりも優れており、特にポイントベースの代替よりも大きなシーンにスケールし、スパースボクセルの代替よりも優れた単一オブジェクトパフォーマンスを示している。

関連論文リスト

• P2P-Bridge: Diffusion Bridges for 3D Point Cloud Denoising [81.92854168911704]
  私たちは、Diffusion Schr"odingerブリッジをポイントクラウドに適応させる新しいフレームワークを通じて、ポイントクラウドを飾るタスクに取り組みます。 オブジェクトデータセットの実験では、P2P-Bridgeは既存のメソッドよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2024-08-29T08:00:07Z)
• 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)
• PointAttN: You Only Need Attention for Point Cloud Completion [89.88766317412052]
  ポイント・クラウド・コンプリート(Point cloud completion)とは、部分的な3次元ポイント・クラウドから3次元の形状を完成させることである。 そこで我々は,kNNを除去するために,ポイントクラウドをポイント単位に処理する新しいニューラルネットワークを提案する。 提案するフレームワークであるPointAttNはシンプルで簡潔で効果的であり、3次元形状の構造情報を正確に捉えることができる。
  論文  参考訳（メタデータ） (2022-03-16T09:20:01Z)
• A Conditional Point Diffusion-Refinement Paradigm for 3D Point Cloud Completion [69.32451612060214]
  実スキャンされた3Dポイントクラウドはしばしば不完全であり、下流アプリケーションのために完全なポイントクラウドを復元することが重要である。 ほとんどの既存のポイントクラウド補完方法は、トレーニングにチャンファー距離(CD)損失を使用する。 本稿では,点雲完了のためのPDR(Point Diffusion-Refinement)パラダイムを提案する。
  論文  参考訳（メタデータ） (2021-12-07T06:59:06Z)
• SSPU-Net: Self-Supervised Point Cloud Upsampling via Differentiable Rendering [21.563862632172363]
  地中真理を使わずに高密度の点雲を生成するための自己教師付き点雲アップサンプリングネットワーク(SSPU-Net)を提案する。 これを実現するために,入力スパース点雲と高密度点雲との整合性を利用して画像の形状と描画を行う。
  論文  参考訳（メタデータ） (2021-08-01T13:26:01Z)
• The Devils in the Point Clouds: Studying the Robustness of Point Cloud Convolutions [15.997907568429177]
  本稿では,点群上の畳み込みネットワークであるPointConvの異なる変種を調査し,入力スケールと回転変化に対する堅牢性を検討する。 3次元幾何学的性質をpointconvへの入力として利用し,新しい視点不変ディスクリプタを導出する。 2D MNIST & CIFAR-10データセットと3D Semantic KITTI & ScanNetデータセットで実験が行われた。
  論文  参考訳（メタデータ） (2021-01-19T19:32:38Z)
• ParaNet: Deep Regular Representation for 3D Point Clouds [62.81379889095186]
  ParaNetは、3Dポイントクラウドを表現するための新しいエンドツーエンドのディープラーニングフレームワークである。 不規則な3D点雲を通常の2Dカラー画像に変換する。 多視点投影とボキセル化に基づく従来の正規表現法とは異なり、提案した表現は微分可能で可逆である。
  論文  参考訳（メタデータ） (2020-12-05T13:19:55Z)

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。