Fugu-MT 論文翻訳(概要): GPr-Net: Geometric Prototypical Network for Point Cloud Few-Shot Learning

論文の概要: GPr-Net: Geometric Prototypical Network for Point Cloud Few-Shot Learning

arxiv url: http://arxiv.org/abs/2304.06007v1
Date: Wed, 12 Apr 2023 17:32:18 GMT
ステータス: 処理完了
システム内更新日: 2023-04-13 14:07:10.738470
Title: GPr-Net: Geometric Prototypical Network for Point Cloud Few-Shot Learning
Title（参考訳）: GPr-Net:ポイントクラウドFew-Shot学習のための幾何学的プロトタイプネットワーク
Authors: Tejas Anvekar, Dena Bazazian
Abstract要約: GPr-Netは、点雲の原型位相を捉える軽量で計算効率の良い幾何学的ネットワークである。 GPr-Netは、ポイントクラウド上の数ショット学習において最先端の手法よりも優れていることを示す。
参考スコア（独自算出の注目度）: 2.4366811507669115
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In the realm of 3D-computer vision applications, point cloud few-shot learning plays a critical role. However, it poses an arduous challenge due to the sparsity, irregularity, and unordered nature of the data. Current methods rely on complex local geometric extraction techniques such as convolution, graph, and attention mechanisms, along with extensive data-driven pre-training tasks. These approaches contradict the fundamental goal of few-shot learning, which is to facilitate efficient learning. To address this issue, we propose GPr-Net (Geometric Prototypical Network), a lightweight and computationally efficient geometric prototypical network that captures the intrinsic topology of point clouds and achieves superior performance. Our proposed method, IGI++ (Intrinsic Geometry Interpreter++) employs vector-based hand-crafted intrinsic geometry interpreters and Laplace vectors to extract and evaluate point cloud morphology, resulting in improved representations for FSL (Few-Shot Learning). Additionally, Laplace vectors enable the extraction of valuable features from point clouds with fewer points. To tackle the distribution drift challenge in few-shot metric learning, we leverage hyperbolic space and demonstrate that our approach handles intra and inter-class variance better than existing point cloud few-shot learning methods. Experimental results on the ModelNet40 dataset show that GPr-Net outperforms state-of-the-art methods in few-shot learning on point clouds, achieving utmost computational efficiency that is $170\times$ better than all existing works. The code is publicly available at https://github.com/TejasAnvekar/GPr-Net.
Abstract（参考訳）: 3Dコンピュータビジョンアプリケーションの領域では、ポイントクラウドの少数ショット学習が重要な役割を果たす。しかし、データのスパース性、不規則性、無秩序な性質のために厳しい課題となる。現在の方法は、畳み込み、グラフ、注意機構などの複雑な局所幾何学的抽出技術と、広範なデータ駆動事前学習タスクに依存している。これらのアプローチは、効率的な学習を促進することを目的とした、少数ショット学習の基本的な目標と矛盾する。この問題に対処するために,GPr-Net(Geometric Prototypeal Network)を提案する。提案手法である IGI++ (Intrinsic Geometry Interpreter++) では,手作りの固有幾何インタプリタとラプラスベクトルを用いて点雲の形状を抽出・評価し,FSL(Few-Shot Learning)の表現性を向上する。さらに、ラプラスベクトルは点雲からより少ない点で貴重な特徴を抽出することができる。数ショットの計量学習における分布のドリフト問題に対処するために,双曲空間を活用し,既存の点群雲数ショット学習法よりもクラス内およびクラス間分散をうまく扱えることを示す。 ModelNet40データセットの実験結果によると、GPr-Netはポイントクラウド上の数ショットの学習において最先端の手法よりも優れており、既存のすべての作業よりも170\times$の計算効率が最高である。コードはhttps://github.com/TejasAnvekar/GPr-Netで公開されている。

関連論文リスト

PointeNet: A Lightweight Framework for Effective and Efficient Point Cloud Analysis [28.54939134635978]
PointeNetは、ポイントクラウド分析に特化したネットワークである。本手法は,分類/分割ヘッドとシームレスに統合したり,市販の3Dオブジェクト検出ネットワークに埋め込んだりすることで,柔軟性を示す。 ModelNet40、ScanObjectNN、ShapeNet KITTI、およびシーンレベルのデータセットKITTIを含むオブジェクトレベルのデータセットの実験は、ポイントクラウド分析における最先端メソッドよりもPointeNetの方が優れたパフォーマンスを示している。
論文参考訳（メタデータ） (2023-12-20T03:34:48Z)
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)
Dynamic Clustering Transformer Network for Point Cloud Segmentation [23.149220817575195]
動的クラスタリングトランスネットワーク(DCTNet)と呼ばれる新しい3Dポイントクラウド表現ネットワークを提案する。エンコーダ-デコーダアーキテクチャがあり、ローカルとグローバルの両方の機能学習が可能である。提案手法は,オブジェクトベースデータセット(ShapeNet),都市ナビゲーションデータセット(Toronto-3D),マルチスペクトルLiDARデータセットを用いて評価した。
論文参考訳（メタデータ） (2023-05-30T01:11:05Z)
ALSO: Automotive Lidar Self-supervision by Occupancy estimation [70.70557577874155]
本稿では,ポイントクラウド上で動作している深層知覚モデルのバックボーンを事前学習するための自己教師型手法を提案する。中心となる考え方は、3Dポイントがサンプリングされる表面の再構成であるプリテキストタスクでモデルをトレーニングすることである。直感的には、もしネットワークがわずかな入力ポイントのみを考慮し、シーン表面を再構築できるなら、おそらく意味情報の断片をキャプチャする。
論文参考訳（メタデータ） (2022-12-12T13:10:19Z)
Unsupervised Representation Learning for 3D Point Cloud Data [66.92077180228634]
我々は、教師なしのポイントクラウド学習に対して、シンプルで効果的なアプローチを提案する。特に、原点雲の優れたコントラストバージョンを生成する非常に有用な変換を同定する。本研究では,3次元オブジェクト分類,形状部分分割,シーン分割の3つの下流タスクについて実験を行った。
論文参考訳（メタデータ） (2021-10-13T10:52:45Z)
UPDesc: Unsupervised Point Descriptor Learning for Robust Registration [54.95201961399334]
UPDescは、ロバストポイントクラウド登録のためのポイント記述子を学習するための教師なしの方法である。学習した記述子は既存の教師なし手法よりも優れた性能を示すことを示す。
論文参考訳（メタデータ） (2021-08-05T17:11:08Z)
Point Cloud Registration using Representative Overlapping Points [10.843159482657303]
本稿では,登録のための識別機能を備えた代表オーバーラップポイントを用いた新しいディープラーニングモデル ROPNetを提案する。具体的には,エンコーダを用いてポイントオーバーラップスコアの予測にグローバルな特徴を抽出するコンテキスト誘導モジュールを提案する。ノイズと部分重なり合う点雲を用いたModelNet40上での実験により,提案手法が従来の学習手法よりも優れていることが示された。
論文参考訳（メタデータ） (2021-07-06T12:52:22Z)
Learning Semantic Segmentation of Large-Scale Point Clouds with Random Sampling [52.464516118826765]
我々はRandLA-Netを紹介した。RandLA-Netは、大規模ポイントクラウドのポイントごとの意味を推論する、効率的で軽量なニューラルネットワークアーキテクチャである。我々のアプローチの鍵は、より複雑な点選択アプローチではなく、ランダムな点サンプリングを使用することである。我々のRandLA-Netは、既存のアプローチよりも最大200倍高速な1回のパスで100万ポイントを処理できます。
論文参考訳（メタデータ） (2021-07-06T05:08:34Z)
PointShuffleNet: Learning Non-Euclidean Features with Homotopy Equivalence and Mutual Information [9.920649045126188]
我々は、ポイントクラウド分類とセグメンテーションにおいて非常に有望な、ポイントShuffleNet(PSN)と呼ばれる新しいポイントクラウド分析ニューラルネットワークを提案する。我々のPSNは、ModelNet40、ShapeNet、S3DISの最先端の成果を高い効率で達成する。
論文参考訳（メタデータ） (2021-03-31T03:01:16Z)
Learning Rotation-Invariant Representations of Point Clouds Using Aligned Edge Convolutional Neural Networks [29.3830445533532]
ポイントクラウド分析は、シーンの深さを正確に測定できる3Dセンサーの開発によって、関心が高まる分野である。点群解析に深層学習技術を適用することは、これらの手法が見えない回転に一般化できないため、簡単ではありません。この制限に対処するには、通常、トレーニングデータを強化する必要があり、これは余分な計算につながる可能性があり、より大きなモデルの複雑さを必要とする。本稿では,局所参照フレーム(LRF)に対する点群の特徴表現を学習する,Aligned Edge Convolutional Neural Network(AECNN)と呼ばれる新しいニューラルネットワークを提案する。
論文参考訳（メタデータ） (2021-01-02T17:36:00Z)
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)

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。