論文の概要: Hierarchical Adaptive Voxel-guided Sampling for Real-time Applications in Large-scale Point Clouds

• arxiv url: http://arxiv.org/abs/2305.14306v1
• Date: Tue, 23 May 2023 17:45:49 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-24 13:45:53.502782
• Title: Hierarchical Adaptive Voxel-guided Sampling for Real-time Applications in Large-scale Point Clouds
• Title（参考訳）: 大規模点群におけるリアルタイムアプリケーションのための階層的適応ボクセル誘導サンプリング
• Authors: Junyuan Ouyang and Xiao Liu and Haoyao Chen
• Abstract要約: 本稿では,線形複雑化と高並列化を実現した階層型適応型ボクセル誘導点サンプリング器を提案する。 提案手法は,100倍以上の速度で,最も強力なFPSと競合する性能を実現する。 我々のサンプルは既存のモデルに簡単に統合でき、最小限の労力でランタイムを20$sim$80%削減できる。
• 参考スコア（独自算出の注目度）: 6.094829692829813
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While point-based neural architectures have demonstrated their efficacy, the time-consuming sampler currently prevents them from performing real-time reasoning on scene-level point clouds. Existing methods attempt to overcome this issue by using random sampling strategy instead of the commonly-adopted farthest point sampling~(FPS), but at the expense of lower performance. So the effectiveness/efficiency trade-off remains under-explored. In this paper, we reveal the key to high-quality sampling is ensuring an even spacing between points in the subset, which can be naturally obtained through a grid. Based on this insight, we propose a hierarchical adaptive voxel-guided point sampler with linear complexity and high parallelization for real-time applications. Extensive experiments on large-scale point cloud detection and segmentation tasks demonstrate that our method achieves competitive performance with the most powerful FPS, at an amazing speed that is more than 100 times faster. This breakthrough in efficiency addresses the bottleneck of the sampling step when handling scene-level point clouds. Furthermore, our sampler can be easily integrated into existing models and achieves a 20$\sim$80\% reduction in runtime with minimal effort. The code will be available at https://github.com/OuyangJunyuan/pointcloud-3d-detector-tensorrt
• Abstract（参考訳）: ポイントベースのニューラルネットワークは有効性を示しているが、時間を要するサンプルは、現在、シーンレベルのポイントクラウドでリアルタイムの推論を行うのを妨げている。 既存の手法では、一般に推奨される遠点サンプリング~(FPS)ではなく、ランダムサンプリング戦略を用いてこの問題を克服しようとするが、性能は低下する。 したがって、有効/効率のトレードオフは未検討のままです。 本稿では, グリッドを用いて自然に得られる部分集合内の点間の偶数間隔を確保することで, 高品質サンプリングの鍵を明らかにする。 この知見に基づいて,線形複雑化と高並列化が可能な階層型適応ボクセル誘導点サンプリング器を提案する。 大規模ポイントクラウド検出およびセグメンテーションタスクに関する広範囲な実験により,本手法は,最も強力なfpsで,100倍以上の速さで性能を発揮できることが証明された。 この効率のブレークスルーは、シーンレベルのポイントクラウドを扱う際のサンプリングステップのボトルネックに対処する。 さらに、我々のサンプルは既存のモデルに簡単に統合でき、最小限の労力でランタイムを20$\sim$80\%削減できる。 コードはhttps://github.com/ouyangjunyuan/pointcloud-3d-detector-tensorrtで入手できる。

関連論文リスト

• Curvature Informed Furthest Point Sampling [0.0]
  ファテスト点サンプリング(FPS)を強化する強化学習に基づくサンプリングアルゴリズムを提案する。 提案手法は,FPS由来のソフトランクと深部ニューラルネットワークによる曲率スコアを組み合わせることで,ポイントをランク付けする。 我々は,各特徴が性能に与える影響について,質的および定量的に考察した総合的アブレーション研究を提供する。
  論文  参考訳（メタデータ） (2024-11-25T23:58:38Z)
• PLATYPUS: Progressive Local Surface Estimator for Arbitrary-Scale Point Cloud Upsampling [7.967279361937874]
  3Dポイントクラウドは、自動運転やロボティクスといったアプリケーションにとってますます重要になっている。 点雲のアップサンプリングは密度と均一性を改善するために不可欠である。 複雑な領域の局所的特徴をより効果的に捉えたプログレッシブ局所表面推定器(PLSE)を導入する。
  論文  参考訳（メタデータ） (2024-11-01T07:56:56Z)
• HashPoint: Accelerated Point Searching and Sampling for Neural Rendering [9.418401219498223]
  レンダリングとレイトレーシングの2つの典型的なアプローチが採用されている。 ボリューム化ベースの手法は、メモリの増大と忠実度低下を犠牲にしてリアルタイムレンダリングを可能にする。 対照的に、レイトレーシングに基づく手法は優れた品質を得るが、より長い時間を要求する。 我々はこの2つの戦略を組み合わせたHashPoint法によりこの問題を解決する。
  論文  参考訳（メタデータ） (2024-04-22T09:57:53Z)
• Grad-PU: Arbitrary-Scale Point Cloud Upsampling via Gradient Descent with Learned Distance Functions [77.32043242988738]
  我々は、任意のアップサンプリングレートをサポートする、正確なポイントクラウドアップサンプリングのための新しいフレームワークを提案する。 提案手法は,まず,所定のアップサンプリング率に応じて低解像度の雲を補間する。
  論文  参考訳（メタデータ） (2023-04-24T06:36:35Z)
• Attention-based Point Cloud Edge Sampling [0.0]
  ポイントクラウドサンプリングは、このデータ表現に関して、あまり調査されていない研究トピックである。 本稿では,非生成的注意に基づくポイントクラウドエッジサンプリング法(APES)を提案する。 定性的および定量的な実験結果から, 一般的なベンチマークタスクにおいて, サンプリング手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2023-02-28T15:36:17Z)
• BIMS-PU: Bi-Directional and Multi-Scale Point Cloud Upsampling [60.257912103351394]
  我々はBIMS-PUと呼ばれる新しいポイント・クラウド・アップサンプリング・パイプラインを開発した。 対象のサンプリング因子を小さな因子に分解することにより,アップ/ダウンサンプリング手順をいくつかのアップ/ダウンサンプリングサブステップに分解する。 提案手法は最先端手法よりも優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-25T13:13:37Z)
• Self-Supervised Arbitrary-Scale Point Clouds Upsampling via Implicit Neural Representation [79.60988242843437]
  そこで本研究では,自己監督型および倍率フレキシブルな点雲を同時にアップサンプリングする手法を提案する。 実験結果から, 自己教師あり学習に基づく手法は, 教師あり学習に基づく手法よりも, 競争力や性能が向上することが示された。
  論文  参考訳（メタデータ） (2022-04-18T07:18:25Z)
• Stratified Transformer for 3D Point Cloud Segmentation [89.9698499437732]
  Stratified Transformerは、長距離コンテキストをキャプチャし、強力な一般化能力と高性能を示す。 不規則な点配置によって引き起こされる課題に対処するために,局所情報を集約する第1層点埋め込みを提案する。 S3DIS, ScanNetv2およびShapeNetPartデータセットにおける本手法の有効性と優位性を示す実験を行った。
  論文  参考訳（メタデータ） (2022-03-28T05:35:16Z)
• PUFA-GAN: A Frequency-Aware Generative Adversarial Network for 3D Point Cloud Upsampling [56.463507980857216]
  本稿では,点群アップサンプリングのための生成的対向ネットワークを提案する。 基底表面に均等に分布するアップサンプリングポイントを作成できるだけでなく、クリーンな高周波領域を効率的に生成することができる。
  論文  参考訳（メタデータ） (2022-03-02T07:47:46Z)
• 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)

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。