論文の概要: PointGame: Geometrically and Adaptively Masked Auto-Encoder on Point Clouds

• arxiv url: http://arxiv.org/abs/2303.13100v1
• Date: Thu, 23 Mar 2023 08:32:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-24 15:14:27.852829
• Title: PointGame: Geometrically and Adaptively Masked Auto-Encoder on Point Clouds
• Title（参考訳）: PointGame: ポイントクラウド上の幾何学的かつ適応的にマスキングされたオートエンコーダ
• Authors: Yun Liu, Xuefeng Yan, Zhilei Chen, Zhiqi Li, Zeyong Wei, and Mingqiang Wei
• Abstract要約: ポイントクラウド上での自己教師型学習のための,幾何学的かつ適応的にマスク付きオートエンコーダ(textitPointGame)を提案する。 Gateは幾何学的かつ適応的なトークン埋め込みモジュールの略で、表面の形状を効果的に捉えた幾何学的記述子の従来の知恵を吸収するだけでなく、適応的な塩分を利用して点雲の塩分部分にフォーカスする。EATは、線形計算複雑性を持つ外部の注意ベースのTransformerエンコーダの略で、パイプライン全体の効率を高める。 PointGameは、グローバルとローカルの両方の微調整戦略の下で、さまざまなダウンストリームタスクで競合相手に対して明確な優位性を示す
• 参考スコア（独自算出の注目度）: 14.422745649686526
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Self-supervised learning is attracting large attention in point cloud understanding. However, exploring discriminative and transferable features still remains challenging due to their nature of irregularity and sparsity. We propose a geometrically and adaptively masked auto-encoder for self-supervised learning on point clouds, termed \textit{PointGame}. PointGame contains two core components: GATE and EAT. GATE stands for the geometrical and adaptive token embedding module; it not only absorbs the conventional wisdom of geometric descriptors that captures the surface shape effectively, but also exploits adaptive saliency to focus on the salient part of a point cloud. EAT stands for the external attention-based Transformer encoder with linear computational complexity, which increases the efficiency of the whole pipeline. Unlike cutting-edge unsupervised learning models, PointGame leverages geometric descriptors to perceive surface shapes and adaptively mines discriminative features from training data. PointGame showcases clear advantages over its competitors on various downstream tasks under both global and local fine-tuning strategies. The code and pre-trained models will be publicly available.
• Abstract（参考訳）: 自己監督型学習は、ポイントクラウド理解において大きな注目を集めている。 しかし、その不規則性とスパーシティの性質から、識別可能で移動可能な特徴の探索は依然として困難である。 本稿では,ポイントクラウド上での自己教師型学習のための,幾何学的かつ適応的にマスクされたオートエンコーダを提案する。 PointGameには、GATEとEATの2つのコアコンポーネントが含まれている。 ゲートは幾何学的および適応的なトークン埋め込みモジュールを表しており、表面形状を効果的に捉える幾何学的ディスクリプタの従来の知識を吸収するだけでなく、アダプティブ・サリエンシーを利用して点雲の突出部に集中する。 EATは、パイプライン全体の効率を高める線形計算複雑性を持つ外部注目ベースのTransformerエンコーダの略である。 最先端の教師なし学習モデルとは異なり、PointGameは幾何学的記述子を利用して表面形状を認識し、トレーニングデータから識別的特徴を適応的にマイニングする。 pointgameは、グローバルおよびローカルの微調整戦略の下で、さまざまな下流タスクにおいて、競合他社よりも明確な優位性を示している。 コードと事前訓練されたモデルは一般公開される。

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)
• CPCM: Contextual Point Cloud Modeling for Weakly-supervised Point Cloud Semantic Segmentation [60.0893353960514]
  疎アノテーションを用いた弱教師付きポイントクラウドセマンティックセマンティックセグメンテーションの課題について検討する。 本研究では,地域マスキング(RegionMask)戦略とコンテキストマスキングトレーニング(CMT)手法の2つの部分からなるコンテキストポイントクラウドモデリング(CPCM)手法を提案する。
  論文  参考訳（メタデータ） (2023-07-19T04:41:18Z)
• GeoMAE: Masked Geometric Target Prediction for Self-supervised Point Cloud Pre-Training [16.825524577372473]
  幾何学的特徴再構成に基づくポイントクラウド表現学習フレームワークを提案する。 我々は,3つの自己教師型学習目標を特異点雲,すなわちセントロイド予測,正規推定,曲率予測と同定する。 私たちのパイプラインは概念的にはシンプルで、まずポイントのグループをランダムにマスキングし、次にTransformerベースのポイントクラウドエンコーダという2つの大きなステップで構成されています。
  論文  参考訳（メタデータ） (2023-05-15T17:14:55Z)
• PointCaM: Cut-and-Mix for Open-Set Point Cloud Learning [72.07350827773442]
  我々は,新しいポイントカット・アンド・ミクス機構を用いて,オープンセットのクラウド学習を解決することを提案する。 トレーニング段階では,Unknown-Point Simulatorを用いてアウト・オブ・ディストリビューションデータをシミュレートする。 Unknown-Point Estimatorモジュールは、既知のデータを識別するために、ポイントクラウドの機能コンテキストを活用することを学ぶ。
  論文  参考訳（メタデータ） (2022-12-05T03:53:51Z)
• 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)
• Self-Supervised Point Cloud Representation Learning with Occlusion Auto-Encoder [63.77257588569852]
  本稿では,3D Occlusion Auto-Encoder(3D-OAE)を提案する。 私たちのキーとなるアイデアは、入力ポイントクラウドのローカルパッチをランダムに排除し、隠されたパッチを復元することで監督を確立することです。 従来の手法とは対照的に、我々の3D-OAEは大量のパッチを除去し、少数の可視パッチでしか予測できない。
  論文  参考訳（メタデータ） (2022-03-26T14:06:29Z)
• Upsampling Autoencoder for Self-Supervised Point Cloud Learning [11.19408173558718]
  人間のアノテーションを使わずに、ポイントクラウド学習のための自己教師付き事前学習モデルを提案する。 アップサンプリング操作は、ポイントクラウドの高レベルセマンティック情報と低レベル幾何情報の両方を捕捉することをネットワークに促す。 我々のUAEは、形状分類、部分分割、点雲アップサンプリングタスクにおいて、従来の最先端手法よりも優れています。
  論文  参考訳（メタデータ） (2022-03-21T07:20:37Z)
• Domain Adaptation on Point Clouds via Geometry-Aware Implicits [14.404842571470061]
  一般的な幾何学的表現として、ポイントクラウドは3Dビジョンにおいて多くの注目を集めており、自律運転やロボット工学における多くの応用につながっている。 ポイントクラウドで学ぶ上で重要な未解決の問題は、同じ物体の点雲が異なる手順で生成されたり、異なるセンサーで捉えられたりすると、大きな幾何学的なバリエーションを持つ可能性があることである。 ドメインギャップを減らすための典型的なテクニックは、機能領域の点雲が整列できるように、敵対的なトレーニングを実行することである。 本稿では,幾何認識型暗黙的学習の自己指導的タスクを用いて,点雲上での教師なし領域適応の簡易かつ効果的な手法を提案する。
  論文  参考訳（メタデータ） (2021-12-17T06:28:01Z)
• Unsupervised Feedforward Feature (UFF) Learning for Point Cloud Classification and Segmentation [57.62713515497585]
  3次元点雲の連成分類とセグメンテーションのために,教師なしフィードフォワード特徴学習を提案する。 UFF法は、点雲セット内の点の統計的相関を利用して、1パスのフィードフォワード方式で形状と点の特徴を学習する。 エンコーダとローカルポイントでグローバルな形状の特徴を、エンコーダ-デコーダアーキテクチャを通して学習する。
  論文  参考訳（メタデータ） (2020-09-02T18:25:25Z)
• Meshing Point Clouds with Predicted Intrinsic-Extrinsic Ratio Guidance [30.863194319818223]
  既存のポイントへの接続情報のみを付加することで、インプットポイントクラウドを可能な限り活用することを提案する。 私たちの重要なイノベーションはローカル接続のサロゲートであり、本質的/外生的メトリクスを比較して計算します。 提案手法は, 詳細を保存できるだけでなく, あいまいな構造を扱えるだけでなく, 目に見えないカテゴリに対して強い一般化性を持つことを示す。
  論文  参考訳（メタデータ） (2020-07-17T22:36:00Z)

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。