Fugu-MT 論文翻訳(概要): Cloud-RAIN: Point Cloud Analysis with Reflectional Invariance

論文の概要: Cloud-RAIN: Point Cloud Analysis with Reflectional Invariance

arxiv url: http://arxiv.org/abs/2305.07814v1
Date: Sat, 13 May 2023 01:57:39 GMT
ステータス: 処理完了
システム内更新日: 2023-05-16 19:38:32.452914
Title: Cloud-RAIN: Point Cloud Analysis with Reflectional Invariance
Title（参考訳）: Cloud-RAIN: 反射不変性によるポイントクラウド分析
Authors: Yiming Cui, Lecheng Ruan, Hang-Cheng Dong, Qiang Li, Zhongming Wu, Tieyong Zeng, Feng-Lei Fan
Abstract要約: これまで、ポイントクラウド分析ではリフレクション不変のネットワークは報告されていない。本稿では,2次ニューロンと,クラウドレインと呼ばれるPCA標準表現を用いたフレームワークを提案する。クラウド・レインがなぜ反射対称性を楽しむことができるのかを説明するための定理を証明している。
参考スコア（独自算出の注目度）: 24.48114629724503
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The networks for point cloud tasks are expected to be invariant when the point clouds are affinely transformed such as rotation and reflection. So far, relative to the rotational invariance that has been attracting major research attention in the past years, the reflection invariance is little addressed. Notwithstanding, reflection symmetry can find itself in very common and important scenarios, e.g., static reflection symmetry of structured streets, dynamic reflection symmetry from bidirectional motion of moving objects (such as pedestrians), and left- and right-hand traffic practices in different countries. To the best of our knowledge, unfortunately, no reflection-invariant network has been reported in point cloud analysis till now. To fill this gap, we propose a framework by using quadratic neurons and PCA canonical representation, referred to as Cloud-RAIN, to endow point \underline{Cloud} models with \underline{R}eflection\underline{A}l \underline{IN}variance. We prove a theorem to explain why Cloud-RAIN can enjoy reflection symmetry. Furthermore, extensive experiments also corroborate the reflection property of the proposed Cloud-RAIN and show that Cloud-RAIN is superior to data augmentation. Our code is available at https://github.com/YimingCuiCuiCui/Cloud-RAIN.
Abstract（参考訳）: 点雲タスクのネットワークは、回転や反射のような点雲が親和的に変換されるときに不変であることが期待される。これまでのところ、近年研究が注目されている回転不変性に対して、反射不変性はほとんど対処されていない。にもかかわらず、リフレクション対称性は、構造化道路の静的反射対称性、動く物体(歩行者など)の双方向運動からの動的反射対称性、異なる国の左右の交通慣行など、非常に一般的で重要なシナリオで自分自身を見つけることができる。私たちの知る限りでは、残念ながら、これまでポイントクラウド分析でリフレクション不変ネットワークが報告されていない。このギャップを埋めるために,2次ニューロンと,Cloud-RAINと呼ばれるPCA標準表現を用いて, \underline{R}eflection\underline{A}l \underline{IN} 分散を用いた点 \underline{Cloud} モデルを実現する枠組みを提案する。クラウドレーンはなぜ反射対称性を享受できるのかを説明するための定理を証明する。さらに、広範な実験は、提案したCloud-RAINの反射特性を相関させ、Cloud-RAINがデータ拡張よりも優れていることを示す。私たちのコードはhttps://github.com/YimingCuiCuiCui/Cloud-RAINで利用可能です。

関連論文リスト

Cloud Adversarial Example Generation for Remote Sensing Image Classification [9.014861497985299]
リモートセンシング画像に対する既存の敵攻撃手法の多くは、単に敵の摂動やパッチを追加するだけである。パーリンノイズに基づくクラウド生成攻撃法を提案する。
論文参考訳（メタデータ） (2024-09-21T20:15:22Z)
Arbitrary point cloud upsampling via Dual Back-Projection Network [12.344557879284219]
ポイントクラウドアップサンプリング(DBPnet)のためのデュアルバックプロジェクションネットワークを提案する。デュアルバックプロジェクションは、ポイントクラウドアップサンプリングのためのアップアップアップ方式で定式化される。実験の結果,提案手法は最小の点集合の損失を達成できることがわかった。
論文参考訳（メタデータ） (2023-07-18T06:11:09Z)
SE-ORNet: Self-Ensembling Orientation-aware Network for Unsupervised Point Cloud Shape Correspondence [43.48857145030229]
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。
論文参考訳（メタデータ） (2023-04-10T18:00:02Z)
Reconstructing Surfaces for Sparse Point Clouds with On-Surface Priors [52.25114448281418]
現在の方法では、接地距離や点正規化なしに単一点雲から符号付き距離関数 (Signed Distance Function, SDF) を学習することで、表面を再構築することができる。そこで本稿では, 表面上の粗い点雲から高精度な表面を復元することを提案する。本手法は, 接地距離や点正規化を伴わずに, 単一のスパース点雲からSDFを学習することができる。
論文参考訳（メタデータ） (2022-04-22T09:45:20Z)
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)
RIConv++: Effective Rotation Invariant Convolutions for 3D Point Clouds Deep Learning [32.18566879365623]
3Dポイントクラウドのディープラーニングは、ニューラルネットワークがポイントクラウドの機能を直接学習することのできる、有望な研究分野である。本稿では,局所領域から強力な回転不変特徴を設計することで特徴の区別を高める,シンプルで効果的な畳み込み演算子を提案する。ネットワークアーキテクチャは、各畳み込み層の近傍サイズを単純に調整することで、ローカルとグローバルの両方のコンテキストをキャプチャできる。
論文参考訳（メタデータ） (2022-02-26T08:32:44Z)
CP-Net: Contour-Perturbed Reconstruction Network for Self-Supervised Point Cloud Learning [53.1436669083784]
本稿では,CP-Net(Contour-Perturbed Restruction Network)を提案する。分類では、ModelNet40(92.5%の精度)とScanObjectNN(87.9%の精度)の完全教師付き手法で競合する結果を得る。
論文参考訳（メタデータ） (2022-01-20T15:04:12Z)
NeeDrop: Self-supervised Shape Representation from Sparse Point Clouds using Needle Dropping [80.2485282512607]
スパース点雲から形状表現を学習するための自己教師型手法NeeDropを紹介する。形状の知識は不要で、例えば車によって取得されたライダー点雲のように、点雲は疎くすることができる。形状復元データセットにおける既存の教師ありアプローチと同等の定量的な結果が得られる。
論文参考訳（メタデータ） (2021-11-30T08:35:20Z)
PoinTr: Diverse Point Cloud Completion with Geometry-Aware Transformers [81.71904691925428]
本稿では,ポイントクラウドの完了をセット・ツー・セットの翻訳問題として再定義する手法を提案する。我々はまた、ポイントクラウド補完のためにトランスフォーマーエンコーダデコーダアーキテクチャを採用するPoinTrと呼ばれる新しいモデルも設計している。提案手法は,新しいベンチマークと既存ベンチマークの両方において,最先端の手法よりも優れた性能を示す。
論文参考訳（メタデータ） (2021-08-19T17:58:56Z)
PRIN/SPRIN: On Extracting Point-wise Rotation Invariant Features [91.2054994193218]
点群解析における回転不変特徴抽出に着目した点集合学習フレームワークPRINを提案する。さらに、PRINをスパースポイントクラウド上で直接動作するSPRINと呼ばれるスパースバージョンに拡張します。その結果、ランダムに回転した点群を持つデータセットでは、SPRINはデータ拡張なしで最先端の方法よりも優れたパフォーマンスを発揮します。
論文参考訳（メタデータ） (2021-02-24T06:44:09Z)
Representing Point Clouds with Generative Conditional Invertible Flow Networks [15.280751949071016]
クラウド固有の確率分布から抽出したサンプルの集合として,点雲を表現するための簡易かつ効果的な方法を提案する。提案手法は, 生成的非可逆フローネットワークを利用して埋め込みを学習し, 点雲を生成する。私たちのモデルは、ベンチマークデータセット上で、競争力または優れた定量的結果を提供します。
論文参考訳（メタデータ） (2020-10-07T18:30:47Z)

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。