論文の概要: PointCLIMB: An Exemplar-Free Point Cloud Class Incremental Benchmark

• arxiv url: http://arxiv.org/abs/2304.06775v1
• Date: Thu, 13 Apr 2023 18:47:29 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-17 15:27:54.650350
• Title: PointCLIMB: An Exemplar-Free Point Cloud Class Incremental Benchmark
• Title（参考訳）: pointclimb:exemplar-free point cloudクラスインクリメンタルベンチマーク
• Authors: Shivanand Kundargi, Tejas Anvekar, Ramesh Ashok Tabib, Uma Mudenagudi
• Abstract要約: 私たちは、Point Cloudsでの卓越したフリークラスインクリメンタルラーニングを活用するパイオニアです。 3D Exemplar自由クラスインクリメンタルラーニングのためのベンチマークをセットアップする。 3D-Exemplar Free Class Incremental Learning フレームワーク上での各種バックボーンの性能について検討する。
• 参考スコア（独自算出の注目度）: 11.992472563628283
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Point clouds offer comprehensive and precise data regarding the contour and configuration of objects. Employing such geometric and topological 3D information of objects in class incremental learning can aid endless application in 3D-computer vision. Well known 3D-point cloud class incremental learning methods for addressing catastrophic forgetting generally entail the usage of previously encountered data, which can present difficulties in situations where there are restrictions on memory or when there are concerns about the legality of the data. Towards this we pioneer to leverage exemplar free class incremental learning on Point Clouds. In this paper we propose PointCLIMB: An exemplar Free Class Incremental Learning Benchmark. We focus on a pragmatic perspective to consider novel classes for class incremental learning on 3D point clouds. We setup a benchmark for 3D Exemplar free class incremental learning. We investigate performance of various backbones on 3D-Exemplar Free Class Incremental Learning framework. We demonstrate our results on ModelNet40 dataset.
• Abstract（参考訳）: ポイントクラウドは、オブジェクトの輪郭と構成に関する包括的で正確なデータを提供する。 このような幾何学的およびトポロジカルな3d情報をクラスインクリメンタル学習で活用することは、3dコンピュータビジョンにおける無限の応用に役立つ。 有名な3dポイントクラウドクラスインクリメンタルな学習手法は、大惨事に直面するデータの使用が一般的に伴うため、メモリに制限がある場合やデータの合法性に関する懸念がある場合に問題が発生する可能性がある。 これに向けて私たちは、ポイントクラウド上でのexemplarフリークラスインクリメンタル学習を活用する先駆者です。 本稿では,pointclimb:exemplar free class incremental learning benchmarkを提案する。 3dポイントクラウド上での授業インクリメンタル学習のための新しいクラスを考えるために,実用的視点に注目する。 3D Exemplar自由クラスインクリメンタルラーニングのためのベンチマークをセットアップする。 3D-Exemplar Free Class Incremental Learning フレームワーク上での各種バックボーンの性能について検討する。 ModelNet40データセットで結果を示す。

関連論文リスト

• Meta Episodic learning with Dynamic Task Sampling for CLIP-based Point Cloud Classification [6.195058023850564]
  本稿では,CLIPに基づくポイントクラウド分類のためのメタエポゾディック学習フレームワークを提案する。 性能記憶に基づく動的タスクサンプリングをエピソード内に導入する。 実験の結果、ModelNet40とScanobjectNNデータセットの平均パフォーマンスは36%向上した。
  論文  参考訳（メタデータ） (2024-04-01T01:56:27Z)
• Test-Time Augmentation for 3D Point Cloud Classification and Segmentation [40.62640761825697]
  データ拡張は、ディープラーニングタスクのパフォーマンスを向上させるための強力なテクニックである。 本研究は,3次元点雲に対するTTA(Test-time augmentation)について検討する。
  論文  参考訳（メタデータ） (2023-11-22T04:31:09Z)
• PointLLM: Empowering Large Language Models to Understand Point Clouds [63.39876878899682]
  PointLLMは人間の指示で色のついたオブジェクトポイントクラウドを理解する。 文脈的に適切な応答を生成し、点雲と常識の把握を図示する。
  論文  参考訳（メタデータ） (2023-08-31T17:59:46Z)
• 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)
• Point2Vec for Self-Supervised Representation Learning on Point Clouds [66.53955515020053]
  Data2vecをポイントクラウド領域に拡張し、いくつかのダウンストリームタスクで推奨される結果を報告します。 我々は、ポイントクラウド上でData2vecライクな事前トレーニングの可能性を解放するpoint2vecを提案する。
  論文  参考訳（メタデータ） (2023-03-29T10:08:29Z)
• CLR-GAM: Contrastive Point Cloud Learning with Guided Augmentation and Feature Mapping [12.679625717350113]
  本稿では、効率的な動的探索戦略のためのガイド拡張(GA)を備えた対照的な学習ベースのフレームワークであるCLR-GAMを提案する。 提案手法がシミュレーションおよび実世界の3Dポイントクラウドデータセット上で最先端のパフォーマンスを実現することを実証的に実証した。
  論文  参考訳（メタデータ） (2023-02-28T04:38:52Z)
• PointCaM: Cut-and-Mix for Open-Set Point Cloud Learning [72.07350827773442]
  我々は,新しいポイントカット・アンド・ミクス機構を用いて,オープンセットのクラウド学習を解決することを提案する。 トレーニング段階では,Unknown-Point Simulatorを用いてアウト・オブ・ディストリビューションデータをシミュレートする。 Unknown-Point Estimatorモジュールは、既知のデータを識別するために、ポイントクラウドの機能コンテキストを活用することを学ぶ。
  論文  参考訳（メタデータ） (2022-12-05T03:53:51Z)
• 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)
• TreeGCN-ED: Encoding Point Cloud using a Tree-Structured Graph Network [24.299931323012757]
  この研究は、ポイントクラウドのための堅牢な埋め込みを生成するオートエンコーダベースのフレームワークを提案する。 3Dポイントクラウド補完やシングルイメージベースの3D再構成といったアプリケーションにおいて,提案フレームワークの適用性を示す。
  論文  参考訳（メタデータ） (2021-10-07T03:52:56Z)
• 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)

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。