論文の概要: Robust Estimation of Surface Curvature Information from Point Cloud Data

• arxiv url: http://arxiv.org/abs/2306.00299v1
• Date: Thu, 1 Jun 2023 02:38:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-02 18:28:58.180839
• Title: Robust Estimation of Surface Curvature Information from Point Cloud Data
• Title（参考訳）: 点雲データによる表面曲率情報のロバスト推定
• Authors: Jared Spang
• Abstract要約: 本稿では,アルゴリズムの曲率法と正規推定法について,いくつかの一般的な手法について検討し,評価する。 本稿では,頑健な曲率推定のための新しい手法を提案し,既存の手法に対して評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper surveys and evaluates some popular state of the art methods for algorithmic curvature and normal estimation. In addition to surveying existing methods we also propose a new method for robust curvature estimation and evaluate it against existing methods thus demonstrating its superiority to existing methods in the case of significant data noise. Throughout this paper we are concerned with computation in low dimensional spaces (N < 10) and primarily focus on the computation of the Weingarten map and quantities that may be derived from this; however, the algorithms discussed are theoretically applicable in any dimension. One thing that is common to all these methods is their basis in an estimated graph structure. For any of these methods to work the local geometry of the manifold must be exploited; however, in the case of point cloud data it is often difficult to discover a robust manifold structure underlying the data, even in simple cases, which can greatly influence the results of these algorithms. We hope that in pushing these algorithms to their limits we are able to discover, and perhaps resolve, many major pitfalls that may affect potential users and future researchers hoping to improve these methods
• Abstract（参考訳）: 本稿では,アルゴリズム的曲率と正規推定の手法について調査・評価を行う。 また, 既存手法の調査に加えて, 頑健な曲率推定法を提案し, 既存手法に対する評価を行い, 有意なデータノイズの場合には既存手法よりも優れていることを示す。 本稿では, 低次元空間 (n < 10) での計算に着目し, 主にワイナルテン写像の計算とそれに由来する量の計算に焦点をあてるが, 議論されるアルゴリズムは任意の次元において理論的に適用可能である。 これらすべての方法に共通する点の1つは、推定グラフ構造の基底である。 しかし、点クラウドデータの場合、データの基礎となる強固な多様体構造を発見することはしばしば困難であり、単純な場合であっても、これらのアルゴリズムの結果に大きな影響を与える可能性がある。 これらのアルゴリズムを限界まで押し上げることで、潜在的なユーザや将来の研究者に影響を及ぼす可能性のある多くの大きな落とし穴を発見し、解決できることを願っている。

関連論文リスト

• SGD with Clipping is Secretly Estimating the Median Gradient [19.69067856415625]
  劣化ノードを用いた分散学習,トレーニングデータに大きな外れ値が存在すること,プライバシ制約下での学習,あるいはアルゴリズム自体のダイナミクスによるヘビーテールノイズなどについて検討する。 まず,サンプル間の中央勾配を計算し,重み付き状態依存雑音下でも収束できることを示す。 本稿では,反復の中央値勾配を推定するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-02-20T08:54:07Z)
• An evaluation framework for dimensionality reduction through sectional curvature [59.40521061783166]
  本研究は,非教師付き次元減少性能指標を初めて導入することを目的としている。 その実現可能性をテストするために、この測定基準は最もよく使われる次元削減アルゴリズムの性能を評価するために用いられている。 新しいパラメータ化問題インスタンスジェネレータが関数ジェネレータの形式で構築されている。
  論文  参考訳（メタデータ） (2023-03-17T11:59:33Z)
• Linearized Wasserstein dimensionality reduction with approximation guarantees [65.16758672591365]
  LOT Wassmap は、ワーッサーシュタイン空間の低次元構造を明らかにするための計算可能なアルゴリズムである。 我々は,LOT Wassmapが正しい埋め込みを実現し,サンプルサイズの増加とともに品質が向上することを示す。 また、LOT Wassmapがペア距離計算に依存するアルゴリズムと比較して計算コストを大幅に削減することを示す。
  論文  参考訳（メタデータ） (2023-02-14T22:12:16Z)
• Posterior and Computational Uncertainty in Gaussian Processes [52.26904059556759]
  ガウスのプロセスはデータセットのサイズとともに違法にスケールする。 多くの近似法が開発されており、必然的に近似誤差を導入している。 この余分な不確実性の原因は、計算が限られているため、近似後部を使用すると完全に無視される。 本研究では,観測された有限個のデータと有限個の計算量の両方から生じる組合せ不確実性を一貫した推定を行う手法の開発を行う。
  論文  参考訳（メタデータ） (2022-05-30T22:16:25Z)
• A Novel Sequential Coreset Method for Gradient Descent Algorithms [21.40879052693993]
  Coresetは、これまで広く研究されてきた一般的なデータ圧縮技術である。 擬似次元と全感度境界を効果的に回避する「逐次コアセット」と呼ばれる新しいフレームワークを提案する。 本手法は, コアセットサイズをさらに小さくすることで, 次元に依存した多対数しか持たない場合のスパース最適化に特に適している。
  論文  参考訳（メタデータ） (2021-12-05T08:12:16Z)
• Probabilistic methods for approximate archetypal analysis [8.829245587252435]
  Archetypal analysisは、探索データ分析のための教師なし学習手法である。 データの次元と表現の基数を低減するために,2つの前処理手法を導入する。 提案手法を応用して, 適度に大規模なデータセットを要約することで, 結果の有用性を実証する。
  論文  参考訳（メタデータ） (2021-08-12T14:27:11Z)
• Manifold Hypothesis in Data Analysis: Double Geometrically-Probabilistic Approach to Manifold Dimension Estimation [92.81218653234669]
  本稿では, 多様体仮説の検証と基礎となる多様体次元推定に対する新しいアプローチを提案する。 我々の幾何学的手法はミンコフスキー次元計算のためのよく知られたボックスカウントアルゴリズムのスパースデータの修正である。 実データセットの実験では、2つの手法の組み合わせに基づく提案されたアプローチが強力で効果的であることが示されている。
  論文  参考訳（メタデータ） (2021-07-08T15:35:54Z)
• Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
  本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。 まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。 そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
  論文  参考訳（メタデータ） (2020-11-25T14:00:18Z)
• Online Dense Subgraph Discovery via Blurred-Graph Feedback [87.9850024070244]
  我々は高密度サブグラフ発見のための新しい学習問題を導入する。 まず,確率の高いほぼ最適解を求めるエッジ時間アルゴリズムを提案する。 そして、理論的保証のあるよりスケーラブルなアルゴリズムを設計する。
  論文  参考訳（メタデータ） (2020-06-24T11:37:33Z)
• Flow-based Algorithms for Improving Clusters: A Unifying Framework, Software, and Performance [0.0]
  グラフ内のベクトル空間やノードのクラスタリングポイントは、統計データ解析においてユビキタスプリミティブである。 このクラスタ改善問題に対するアルゴリズムの原則に着目する。 ローカルGraphClustering Pythonパッケージでこれらのアルゴリズムの効率的な実装を開発します。
  論文  参考訳（メタデータ） (2020-04-20T20:14:00Z)

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。