論文の概要: A Closer Look at Few-Shot 3D Point Cloud Classification

• arxiv url: http://arxiv.org/abs/2303.18210v1
• Date: Fri, 31 Mar 2023 17:01:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-03 13:09:39.235704
• Title: A Closer Look at Few-Shot 3D Point Cloud Classification
• Title（参考訳）: Few-Shot 3D Point Cloudの分類について
• Authors: Chuangguan Ye, Hongyuan Zhu, Bo Zhang, Tao Chen
• Abstract要約: 本稿では,SPF (Salient-Part Fusion) モジュール,SCI+ (Self-Channel Interaction Plus) モジュール,CIF+ (Cross-Instance Fusion Plus) モジュールという3つの新しいプラグ・アンド・プレイコンポーネントを備えた新しいネットワーク PCIA を提案する。 これらのモジュールは、小さな変更を伴ってほとんどのFSLアルゴリズムに挿入でき、性能が大幅に向上する。 3つのベンチマークデータセット、ModelNet40-FS、ShapeNet70-FS、ScanObjectNN-FSの実験結果から,本手法が最先端の性能を実現することを示す。
• 参考スコア（独自算出の注目度）: 21.57893885371941
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, research on few-shot learning (FSL) has been fast-growing in the 2D image domain due to the less requirement for labeled training data and greater generalization for novel classes. However, its application in 3D point cloud data is relatively under-explored. Not only need to distinguish unseen classes as in the 2D domain, 3D FSL is more challenging in terms of irregular structures, subtle inter-class differences, and high intra-class variances {when trained on a low number of data.} Moreover, different architectures and learning algorithms make it difficult to study the effectiveness of existing 2D FSL algorithms when migrating to the 3D domain. In this work, for the first time, we perform systematic and extensive investigations of directly applying recent 2D FSL works to 3D point cloud related backbone networks and thus suggest a strong learning baseline for few-shot 3D point cloud classification. Furthermore, we propose a new network, Point-cloud Correlation Interaction (PCIA), with three novel plug-and-play components called Salient-Part Fusion (SPF) module, Self-Channel Interaction Plus (SCI+) module, and Cross-Instance Fusion Plus (CIF+) module to obtain more representative embeddings and improve the feature distinction. These modules can be inserted into most FSL algorithms with minor changes and significantly improve the performance. Experimental results on three benchmark datasets, ModelNet40-FS, ShapeNet70-FS, and ScanObjectNN-FS, demonstrate that our method achieves state-of-the-art performance for the 3D FSL task. Code and datasets are available at https://github.com/cgye96/A_Closer_Look_At_3DFSL.
• Abstract（参考訳）: 近年,ラベル付きトレーニングデータの必要性が低かったり,新しいクラスへの一般化が進んだりして,FSLの研究は2次元画像領域で急速に成長している。 しかし、その3Dポイントクラウドデータへの応用は、比較的未調査である。 未知のクラスを2Dドメインと区別するだけでなく、3D FSLは不規則な構造、微妙なクラス間差、そして低数のデータで訓練された場合の高いクラス内分散の点でより困難である。 さらに、異なるアーキテクチャと学習アルゴリズムは、既存の2D FSLアルゴリズムの有効性を3Dドメインに移行する際に研究することを困難にしている。 本研究では,最近の2d fslワークを3dポイントクラウド関連バックボーンネットワークに直接適用する体系的かつ広範囲な調査を行い,少ない3dポイントクラウド分類のための強固な学習ベースラインを提案する。 さらに、salient-part fusion(spf)モジュール、self-channel interaction plus(sci+)モジュール、cross-instance fusion plus(cif+)モジュールと呼ばれる3つの新しいプラグイン・アンド・プレイコンポーネントを備えた新しいネットワークであるpoint-cloud correlation interaction(pcia)を提案する。 これらのモジュールは、小さな変更を伴ってほとんどのFSLアルゴリズムに挿入でき、性能が大幅に向上する。 3つのベンチマークデータセットであるModelNet40-FS,ShapeNet70-FS,ScanObjectNN-FSの実験結果から,本手法が3次元FSLタスクの最先端性能を実現することを示す。 コードとデータセットはhttps://github.com/cgye96/a_closer_look_at_3dfslで入手できる。

関連論文リスト

• Foundation Model-Powered 3D Few-Shot Class Incremental Learning via Training-free Adaptor [9.54964908165465]
  本稿では,3Dポイントクラウド環境におけるFew-Shot連続インクリメンタルラーニング問題に対処する新しい手法を提案する。 私たちは、ポイントクラウドデータに基づいて広範囲にトレーニングされた基礎的な3Dモデルを活用します。 このアプローチでは、二重キャッシュシステムを使用します。まず、モデルの予測にどれだけ自信があるかに基づいて、以前のテストサンプルを使用し、次に、オーバーフィッティングを防ぐために、少数の新しいタスクサンプルを含んでいます。
  論文  参考訳（メタデータ） (2024-10-11T20:23:00Z)
• Leveraging Large-Scale Pretrained Vision Foundation Models for Label-Efficient 3D Point Cloud Segmentation [67.07112533415116]
  本稿では3Dポイントクラウドセグメンテーションタスクに様々な基礎モデルを適用する新しいフレームワークを提案する。 我々のアプローチでは、異なる大きな視覚モデルを用いて2次元セマンティックマスクの初期予測を行う。 本研究では,ロバストな3Dセマンティックな擬似ラベルを生成するために,投票による全ての結果を効果的に組み合わせたセマンティックなラベル融合戦略を提案する。
  論文  参考訳（メタデータ） (2023-11-03T15:41:15Z)
• 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)
• What Makes for Effective Few-shot Point Cloud Classification? [18.62689395276194]
  非順序構造,高いクラス内分散,微妙なクラス間差など,3次元のショットラーニングの方が難易度が高いことを示す。 そこで我々は,クラス内差の増大と微妙なクラス間差問題に対処するため,Cross-Instance Adaptation (CIA)モジュールと呼ばれる新しいプラグイン・アンド・プレイ・コンポーネントを提案する。
  論文  参考訳（メタデータ） (2023-03-31T15:55:06Z)
• ULIP: Learning a Unified Representation of Language, Images, and Point Clouds for 3D Understanding [110.07170245531464]
  現在の3Dモデルは、注釈付きデータの少ないデータセットと、事前に定義されたカテゴリセットによって制限されている。 近年の進歩は、言語などの他のモダリティからの知識を活用することで、同様の問題を著しく軽減できることを示している。 画像,テキスト,3次元点雲の統一表現は,3つのモードからオブジェクト三重項を事前学習することで学習する。
  論文  参考訳（メタデータ） (2022-12-10T01:34:47Z)
• Focal Sparse Convolutional Networks for 3D Object Detection [121.45950754511021]
  我々はスパースCNNの能力を高めるために2つの新しいモジュールを導入する。 焦点スパース・コンボリューション(Focals Conv)であり、焦点スパース・コンボリューションの多様変種である。 スパース・コンボリューションにおける空間的に学習可能な空間空間性は,高度な3次元物体検出に不可欠であることを示す。
  論文  参考訳（メタデータ） (2022-04-26T17:34:10Z)
• MetaSets: Meta-Learning on Point Sets for Generalizable Representations [100.5981809166658]
  本稿では,3次元領域一般化(DDG)の新たな課題について検討し,学習過程においてそれらにアクセスすることなく,他の目に見えない点雲の領域にモデルを一般化することを目的とする。 本稿ではメタセットを用いてこの問題に対処することを提案する。メタ学習は、慎重に設計された変換された点集合上の分類タスク群からポイントクラウド表現を抽出する。 実験結果から,MetaSetsは既存の3次元深層学習手法よりも大きなマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2022-04-15T03:24:39Z)
• LATFormer: Locality-Aware Point-View Fusion Transformer for 3D Shape Recognition [38.540048855119004]
  そこで我々は,3次元形状検索と分類のためのLATFormer(Locality-Aware Point-View Fusion Transformer)を提案する。 LATFormerの中核となるコンポーネントはLocality-Aware Fusion (LAF) という名前のモジュールで、2つのモードにまたがる関連領域の局所的特徴を統合する。 LATFormerでは,LAFモジュールを用いて双方向および階層的に2つのモードのマルチスケール機能を融合し,より情報的な特徴を得る。
  論文  参考訳（メタデータ） (2021-09-03T03:23:27Z)
• 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)
• Zero-Shot Learning on 3D Point Cloud Objects and Beyond [21.6491982908705]
  課題のいくつかを特定し,既存のモデルの性能を解析するために3次元領域に2次元ゼロショット学習(ZSL)手法を適用した。 観測された意味論とポイントクラウド機能を同時に調整する新しい損失関数を開発した。 幅広い実験が行われ、合成データセットと実データセットにZSLとGZSLの最先端を確立します。
  論文  参考訳（メタデータ） (2021-04-11T10:04:06Z)

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。