論文の概要: Local region-learning modules for point cloud classification
- arxiv url: http://arxiv.org/abs/2303.17338v2
- Date: Tue, 19 Dec 2023 10:06:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-21 02:26:19.283924
- Title: Local region-learning modules for point cloud classification
- Title（参考訳）: ローカルリージョン学習モジュールによるポイントクラウド分類
- Authors: Kaya Turgut and Helin Dutagaci
- Abstract要約: 本研究では,各中心点に対する適切なシフトを推定し,各局所領域の半径を変化させる2つの局所学習モジュールを提案する。
どちらのモジュールも独立して、PointNet++とPointCNNオブジェクト分類アーキテクチャに統合しました。
ShapeNetデータセットを用いた実験の結果,モジュールは3次元CADモデルにも有効であることがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Data organization via forming local regions is an integral part of deep
learning networks that process 3D point clouds in a hierarchical manner. At
each level, the point cloud is sampled to extract representative points and
these points are used to be centers of local regions. The organization of local
regions is of considerable importance since it determines the location and size
of the receptive field at a particular layer of feature aggregation. In this
paper, we present two local region-learning modules: Center Shift Module to
infer the appropriate shift for each center point, and Radius Update Module to
alter the radius of each local region. The parameters of the modules are
learned through optimizing the loss associated with the particular task within
an end-to-end network. We present alternatives for these modules through
various ways of modeling the interactions of the features and locations of 3D
points in the point cloud. We integrated both modules independently and
together to the PointNet++ and PointCNN object classification architectures,
and demonstrated that the modules contributed to a significant increase in
classification accuracy for the ScanObjectNN data set consisting of scans of
real-world objects. Our further experiments on ShapeNet data set showed that
the modules are also effective on 3D CAD models.
- Abstract（参考訳）: ローカル領域の形成によるデータ編成は、3dポイントクラウドを階層的に処理するディープラーニングネットワークの不可欠な部分である。
各レベルにおいて、点雲をサンプリングして代表点を抽出し、これらの点を局所領域の中心とする。
特徴集約の特定の層における受容野の位置と大きさを決定するため、局所的な領域の組織は極めて重要である。
本稿では,各中心点に対する適切なシフトを推定するCenter Shift Moduleと,各局所点の半径を変更するRadius Update Moduleの2つのローカル領域学習モジュールを提案する。
モジュールのパラメータは、エンドツーエンドネットワーク内の特定のタスクに関連する損失を最適化することで学習される。
ポイントクラウドにおける3Dポイントの特徴と位置の相互作用をモデル化する様々な方法で,これらのモジュールの代替案を提案する。
我々はこれらのモジュールをpointnet++とpointcnnオブジェクトの分類アーキテクチャに独立して統合し、実際のオブジェクトのスキャンからなるscanobjectnnデータセットの分類精度が大幅に向上したことを示した。
ShapeNetデータセットのさらなる実験により,モジュールは3次元CADモデルにも有効であることがわかった。
関連論文リスト
- Adaptive Edge-to-Edge Interaction Learning for Point Cloud Analysis [118.30840667784206]
ポイントクラウドデータ処理の大きな問題は、ローカルリージョンから有用な情報を抽出することだ。
従来の研究は、局所的な形状情報を符号化する地域におけるエッジ間の関係を無視していた。
本稿では,Adaptive Edge-to-Edge Interaction Learningモジュールを提案する。
論文 参考訳（メタデータ） (2022-11-20T07:10:14Z) - LCPFormer: Towards Effective 3D Point Cloud Analysis via Local Context
Propagation in Transformers [60.51925353387151]
本稿では,近隣地域間のメッセージパッシングを活用するために,LCP (Local Context Propagation) という新しいモジュールを提案する。
隣接するローカル領域の重複点を仲介として使用した後、異なるローカルリージョンからの共有ポイントの特徴を再重み付けし、その後、次のレイヤに渡す。
提案手法は, 異なるタスクに適用可能であり, 3次元形状分類や高密度予測タスクを含むベンチマークにおいて, 様々なトランスフォーマーベースの手法より優れる。
論文 参考訳（メタデータ） (2022-10-23T15:43:01Z) - LACV-Net: Semantic Segmentation of Large-Scale Point Cloud Scene via
Local Adaptive and Comprehensive VLAD [13.907586081922345]
本稿では,大規模クラウドセマンティックセグメンテーションのための,LACV-Netと呼ばれるエンドツーエンドのディープニューラルネットワークを提案する。
提案するネットワークは,1) 局所適応的特徴拡張モジュール(LAFA) を適応的に学習し,局所的文脈を拡張させる,2) 局所的特徴を多層,マルチスケール,マルチ解像度で融合させて包括的グローバル記述ベクトルを表現する,包括的VLADモジュール,3) LAFAモジュールからの適応的重みを制限してセグメント境界を効果的に最適化する集約損失関数を含む。
論文 参考訳（メタデータ） (2022-10-12T02:11:00Z) - SemAffiNet: Semantic-Affine Transformation for Point Cloud Segmentation [94.11915008006483]
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SemAffiNetを提案する。
我々はScanNetV2とNYUv2データセットについて広範な実験を行った。
論文 参考訳（メタデータ） (2022-05-26T17:00:23Z) - PRA-Net: Point Relation-Aware Network for 3D Point Cloud Analysis [56.91758845045371]
我々はポイント関係認識ネットワーク(PRA-Net)という新しいフレームワークを提案する。
領域内構造学習(ISL)モジュールと領域間関係学習(IRL)モジュールで構成されている。
形状分類,キーポイント推定,部分セグメンテーションを含む複数の3次元ベンチマーク実験により,PRA-Netの有効性と性能が検証された。
論文 参考訳（メタデータ） (2021-12-09T13:24:43Z) - Point Discriminative Learning for Unsupervised Representation Learning
on 3D Point Clouds [54.31515001741987]
3次元点雲上での教師なし表現学習のための点識別学習法を提案する。
我々は、中間レベルとグローバルレベルの特徴に新しい点識別損失を課すことにより、これを達成した。
提案手法は強力な表現を学習し,新しい最先端性能を実現する。
論文 参考訳（メタデータ） (2021-08-04T15:11:48Z) - 3D Object Detection with Pointformer [29.935891419574602]
本稿では,3dポイントクラウドのためのトランスフォーマーバックボーンであるpointformerを提案する。
ローカルトランスフォーマーモジュールは、オブジェクトレベルでコンテキスト依存の領域特徴を学習するローカル領域のポイント間の相互作用をモデル化するために使用される。
Global Transformerは、シーンレベルでコンテキスト対応の表現を学ぶように設計されている。
論文 参考訳（メタデータ） (2020-12-21T15:12:54Z) - ODFNet: Using orientation distribution functions to characterize 3D
point clouds [0.0]
点まわりの点配向分布を利用して、点群の表現力のある局所近傍表現を得ます。
新しい ODFNet モデルは ModelNet40 と ScanObjectNN データセットのオブジェクト分類における最先端の精度を実現する。
論文 参考訳（メタデータ） (2020-12-08T19:54:20Z) - LRC-Net: Learning Discriminative Features on Point Clouds by Encoding
Local Region Contexts [65.79931333193016]
本稿では,LRC-Net(Local-Region-Context Network)を提案する。
LRC-Netは、局所領域内および周辺領域間の微粒なコンテキストを同時に符号化する。
その結果, LRC-Netは形状分類や形状分割の応用において最先端の手法と競合することがわかった。
論文 参考訳（メタデータ） (2020-03-18T14:34:08Z)
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。