論文の概要: MLGCN: An Ultra Efficient Graph Convolution Neural Model For 3D Point Cloud Analysis

• arxiv url: http://arxiv.org/abs/2303.17748v1
• Date: Fri, 31 Mar 2023 00:15:22 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-03 15:37:10.020001
• Title: MLGCN: An Ultra Efficient Graph Convolution Neural Model For 3D Point Cloud Analysis
• Title（参考訳）: MLGCN:3Dポイントクラウド分析のための超効率的なグラフ畳み込みニューラルモデル
• Authors: Mohammad Khodadad, Morteza Rezanejad, Ali Shiraee Kasmaee, Kaleem Siddiqi, Dirk Walther, Hamidreza Mahyar
• Abstract要約: グラフニューラルネットワーク(GNN)ブロックを用いて,特定の局所レベルの3次元点雲から特徴を抽出する,MLGCN(Multi-level Graph Convolution Neural)モデルを提案する。 提案手法は,浮動小数点演算(FLOP)の最大1000倍の削減と,ストレージ要求の大幅な削減を図りながら,最先端モデルに匹敵する結果をもたらす。
• 参考スコア（独自算出の注目度）: 4.947552172739438
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The analysis of 3D point clouds has diverse applications in robotics, vision and graphics. Processing them presents specific challenges since they are naturally sparse, can vary in spatial resolution and are typically unordered. Graph-based networks to abstract features have emerged as a promising alternative to convolutional neural networks for their analysis, but these can be computationally heavy as well as memory inefficient. To address these limitations we introduce a novel Multi-level Graph Convolution Neural (MLGCN) model, which uses Graph Neural Networks (GNN) blocks to extract features from 3D point clouds at specific locality levels. Our approach employs precomputed graph KNNs, where each KNN graph is shared between GCN blocks inside a GNN block, making it both efficient and effective compared to present models. We demonstrate the efficacy of our approach on point cloud based object classification and part segmentation tasks on benchmark datasets, showing that it produces comparable results to those of state-of-the-art models while requiring up to a thousand times fewer floating-point operations (FLOPs) and having significantly reduced storage requirements. Thus, our MLGCN model could be particular relevant to point cloud based 3D shape analysis in industrial applications when computing resources are scarce.
• Abstract（参考訳）: 3Dポイントクラウドの分析は、ロボティクス、ビジョン、グラフィックに様々な応用がある。 プロセッシングは自然に疎らで、空間分解能が異なり、通常は秩序がないため、特定の課題を示す。 特徴を抽象化するグラフベースのネットワークは、分析のために畳み込みニューラルネットワークに代わる有望な代替手段として登場したが、これらは計算的に重く、メモリ非効率である可能性がある。 これらの制限に対処するために、我々は、グラフニューラルネットワーク(gnn)ブロックを使用して、特定の局所レベルにある3dポイントクラウドから特徴を抽出する、新しい多レベルグラフ畳み込みニューラルネットワーク(mlgcn)モデルを導入する。 本手法では,各nnグラフをgnnブロック内のgcnブロック間で共有し,従来のモデルと比較して効率的かつ効果的に処理する。 我々は,このアプローチがポイントクラウドに基づくオブジェクト分類や,ベンチマークデータセットにおける部分セグメンテーションタスクに与える影響を実証し,最先端モデルと同等の結果が得られるとともに,浮動小数点演算 (flops) を最大1000倍削減し,ストレージ要件を大幅に削減できることを示した。 したがって、mlgcnモデルは、計算資源が不足している産業アプリケーションにおけるポイントクラウドベースの3d形状解析と特に関連がある可能性がある。

関連論文リスト

• Neighborhood Convolutional Network: A New Paradigm of Graph Neural Networks for Node Classification [12.062421384484812]
  グラフ畳み込みネットワーク(GCN)は、各畳み込み層における近傍の集約と特徴変換を分離する。 本稿では,周辺畳み込みネットワーク(NCN)と呼ばれるGCNの新しいパラダイムを提案する。 このようにして、モデルは、近隣情報を集約するための分離GCNの利点を継承すると同時に、より強力な特徴学習モジュールを開発することができる。
  論文  参考訳（メタデータ） (2022-11-15T02:02:51Z)
• A Comprehensive Study on Large-Scale Graph Training: Benchmarking and Rethinking [124.21408098724551]
  グラフニューラルネットワーク(GNN)の大規模グラフトレーニングは、非常に難しい問題である 本稿では,既存の問題に対処するため,EnGCNという新たなアンサンブルトレーニング手法を提案する。 提案手法は,大規模データセット上でのSOTA(State-of-the-art)の性能向上を実現している。
  論文  参考訳（メタデータ） (2022-10-14T03:43:05Z)
• HPGNN: Using Hierarchical Graph Neural Networks for Outdoor Point Cloud Processing [0.7649716717097428]
  自律ナビゲーションのためのポイントクラウド処理の最近の改良により、我々は、処理に階層的なグラフニューラルネットワークを使うことに重点を置いている。 階層型グラフニューラルネットワーク(HPGNN)を提案する。 様々なレベルのグラフ粗さでノードの特徴を学習し、情報を抽出する。 これにより、既存のポイントレベルのグラフネットワークが達成に苦慮している詳細を保ちながら、大きなポイントクラウド上で学習することができる。
  論文  参考訳（メタデータ） (2022-06-05T11:18:09Z)
• EIGNN: Efficient Infinite-Depth Graph Neural Networks [51.97361378423152]
  グラフニューラルネットワーク(GNN)は多くのアプリケーションでグラフ構造化データのモデリングに広く利用されている。 この制限により、無限深度GNNモデルを提案し、これをEIGNN(Efficient Infinite-Depth Graph Neural Networks)と呼ぶ。 EIGNNは、最近のベースラインよりも長距離依存関係をキャプチャする能力が優れており、常に最先端のパフォーマンスを実現していることを示す。
  論文  参考訳（メタデータ） (2022-02-22T08:16:58Z)
• Variational models for signal processing with Graph Neural Networks [3.5939555573102853]
  本稿では,ニューラルネットワークを用いた点雲の信号処理について述べる。 本研究では,このようなグラフニューラルネットワークの変分モデルを用いて,教師なし学習のためのグラフ上の信号を処理する方法を検討する。
  論文  参考訳（メタデータ） (2021-03-30T13:31:11Z)
• A Unified View on Graph Neural Networks as Graph Signal Denoising [49.980783124401555]
  グラフニューラルネットワーク(GNN)は,グラフ構造化データの学習表現において顕著に普及している。 本研究では,代表的GNNモデル群における集約過程を,グラフ記述問題の解法とみなすことができることを数学的に確立する。 UGNNから派生した新しいGNNモデルADA-UGNNをインスタンス化し、ノード間の適応的滑らかさでグラフを処理する。
  論文  参考訳（メタデータ） (2020-10-05T04:57:18Z)
• LGNN: A Context-aware Line Segment Detector [53.424521592941936]
  我々はLine Graph Neural Network (LGNN) と呼ばれる新しいリアルタイム線分検出手法を提案する。 我々のLGNNは、線分を直接提案するディープ畳み込みニューラルネットワーク(DCNN)と、それらの接続性を推論するためのグラフニューラルネットワーク(GNN)モジュールを使用している。 最先端と比較して、LGNNは精度を損なうことなくほぼリアルタイムのパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-08-13T13:23:18Z)
• 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)
• Binarized Graph Neural Network [65.20589262811677]
  我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。 提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。 実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
  論文  参考訳（メタデータ） (2020-04-19T09:43:14Z)

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。