論文の概要: SE-ORNet: Self-Ensembling Orientation-aware Network for Unsupervised Point Cloud Shape Correspondence

• arxiv url: http://arxiv.org/abs/2304.05395v1
• Date: Mon, 10 Apr 2023 18:00:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-13 17:23:38.583715
• Title: SE-ORNet: Self-Ensembling Orientation-aware Network for Unsupervised Point Cloud Shape Correspondence
• Title（参考訳）: SE-ORNet:教師なし点雲形状対応のための自己組織化指向ネットワーク
• Authors: Jiacheng Deng, Chuxin Wang, Jiahao Lu, Jianfeng He, Tianzhu Zhang, Jiyang Yu, Zhe Zhang
• Abstract要約: 教師なしの点雲形状対応は、手動でアノテートされたペアを使わずに、点雲間の高密度な点対対応を得ることを目的としている。 本稿では,SE-ORNetと呼ばれる自己組織化指向ネットワークを提案する。 我々は,領域適応判別器を用いた配向推定モジュールを用いて,点雲対の配向を整列する。
• 参考スコア（独自算出の注目度）: 43.48857145030229
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unsupervised point cloud shape correspondence aims to obtain dense point-to-point correspondences between point clouds without manually annotated pairs. However, humans and some animals have bilateral symmetry and various orientations, which lead to severe mispredictions of symmetrical parts. Besides, point cloud noise disrupts consistent representations for point cloud and thus degrades the shape correspondence accuracy. To address the above issues, we propose a Self-Ensembling ORientation-aware Network termed SE-ORNet. The key of our approach is to exploit an orientation estimation module with a domain adaptive discriminator to align the orientations of point cloud pairs, which significantly alleviates the mispredictions of symmetrical parts. Additionally, we design a selfensembling framework for unsupervised point cloud shape correspondence. In this framework, the disturbances of point cloud noise are overcome by perturbing the inputs of the student and teacher networks with different data augmentations and constraining the consistency of predictions. Extensive experiments on both human and animal datasets show that our SE-ORNet can surpass state-of-the-art unsupervised point cloud shape correspondence methods.
• Abstract（参考訳）: 教師なしの点雲形状対応は、手動で注釈を付けることなく、点雲間の高密度な点対対応を得ることを目的としている。 しかしながら、人間と一部の動物は左右対称と様々な方向を持ち、対称部分の重大な誤予測を引き起こす。 さらに、点雲ノイズは点雲の一貫した表現を乱し、形状対応精度を低下させる。 上記の課題に対処するため,SE-ORNetと呼ばれる自己組織化指向ネットワークを提案する。 提案手法の鍵となるのは,領域適応判別器を用いた配向推定モジュールを用いて点雲対の配向を調整し,対称部分の誤予測を著しく軽減することである。 さらに,教師なし点雲形状対応のための自己組織化フレームワークを設計する。 この枠組みでは,生徒と教師ネットワークの入力を異なるデータ拡張で摂動させ,予測の一貫性を制約することにより,点雲ノイズの乱れを克服する。 ヒトと動物の両方のデータセットに対する大規模な実験により、SE-ORNetは最先端の教師なしの点雲形状対応法を超越できることが示されている。

関連論文リスト

• Bridging Domain Gap of Point Cloud Representations via Self-Supervised Geometric Augmentation [15.881442863961531]
  領域間の点雲表現の幾何学的不変性を誘導する新しいスキームを提案する。 一方、点雲のセントロイドシフトを軽減するために、拡張サンプルの距離の変換を予測するための新しいプレテキストタスクが提案されている。 一方,我々は幾何学的に拡張された点雲上での自己教師付き関係学習の統合を開拓した。
  論文  参考訳（メタデータ） (2024-09-11T02:39:19Z)
• SDFReg: Learning Signed Distance Functions for Point Cloud Registration [8.465771798353904]
  本稿では,不完全な点群に対する新しい点群登録フレームワークを提案する。 我々は、点雲とニューラル暗黙関数の間の登録問題に、点雲間の剛性登録の問題を置き換える。 本手法は, ノイズや不完全性, 点雲の密度変化といった課題に直面した際, 顕著な堅牢性を示す。
  論文  参考訳（メタデータ） (2023-04-18T12:14:20Z)
• PointCA: Evaluating the Robustness of 3D Point Cloud Completion Models Against Adversarial Examples [63.84378007819262]
  本稿では,3次元クラウド完了モデルに対する最初の逆攻撃であるPointCAを提案する。 ポイントCAは、元のものと高い類似性を維持する逆点雲を生成することができる。 その結果,PointCAは77.9%から16.7%に低下し,その構造は0.01以下であることがわかった。
  論文  参考訳（メタデータ） (2022-11-22T14:15:41Z)
• 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)
• PointCAT: Contrastive Adversarial Training for Robust Point Cloud Recognition [111.55944556661626]
  我々は、ポイントクラウド認識モデルの堅牢性を高めるために、PointCAT(Point-Cloud Contrastive Adversarial Training)を提案する。 我々は、教師付きコントラスト損失を利用して、認識モデルにより抽出された超球面特徴のアライメントと均一性を促進する。 より難易度の高い点雲を実現するため,認識モデルと逆向きにノイズ発生装置をスクラッチから訓練する。
  論文  参考訳（メタデータ） (2022-09-16T08:33:04Z)
• Shape-invariant 3D Adversarial Point Clouds [111.72163188681807]
  逆境と不可視性は、逆境の摂動の2つの基本的だが矛盾する性格である。 3Dポイントのクラウド認識に対する以前の敵対的攻撃は、しばしば目立ったポイントアウトリーチによって批判された。 本稿では,点摂動の効率性と非受容性を両立させる新しい点-クラウド感度マップを提案する。
  論文  参考訳（メタデータ） (2022-03-08T12:21:35Z)
• Unsupervised Point Cloud Representation Learning with Deep Neural Networks: A Survey [104.71816962689296]
  大規模クラウドラベリングの制約により,教師なしのポイントクラウド表現学習が注目されている。 本稿では、ディープニューラルネットワークを用いた教師なしポイントクラウド表現学習の総合的なレビューを提供する。
  論文  参考訳（メタデータ） (2022-02-28T07:46:05Z)
• Self-Contrastive Learning with Hard Negative Sampling for Self-supervised Point Cloud Learning [17.55440737986014]
  本稿では,自己教師付きポイントクラウド表現学習のための新しい自己コントラスト学習を提案する。 我々は、一点クラウド内の自己相似点クラウドパッチを、正のサンプルとして、その他の負のパッチとして利用し、対照的な学習を容易にする。 実験結果から,提案手法は広く使用されているベンチマークデータセットの最先端性能を実現することが示された。
  論文  参考訳（メタデータ） (2021-07-05T09:17:45Z)

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。