論文の概要: Equivariant vs. Invariant Layers: A Comparison of Backbone and Pooling
for Point Cloud Classification
- arxiv url: http://arxiv.org/abs/2306.05553v1
- Date: Thu, 8 Jun 2023 20:52:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-12 15:37:54.286211
- Title: Equivariant vs. Invariant Layers: A Comparison of Backbone and Pooling
for Point Cloud Classification
- Title(参考訳): Equivariant vs. Invariant Layers: ポイントクラウド分類のためのバックボーンとプールの比較
- Authors: Ashkan Shahbazi, Abihith Kothapalli, Xinran Liu, Robert Sheng, Soheil
Kolouri
- Abstract要約: 置換同変バックボーンと置換不変大域プールの相互作用について検討する。
我々の研究は、実践者がより優れた置換不変集合ニューラルネットワークを設計するための洞察を提供する。
- 参考スコア(独自算出の注目度): 12.44553911908426
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Learning from set-structured data, such as point clouds, has gained
significant attention from the community. Geometric deep learning provides a
blueprint for designing effective set neural networks by incorporating
permutation symmetry. Of our interest are permutation invariant networks, which
are composed of a permutation equivariant backbone, permutation invariant
global pooling, and regression/classification head. While existing literature
has focused on improving permutation equivariant backbones, the impact of
global pooling is often overlooked. In this paper, we examine the interplay
between permutation equivariant backbones and permutation invariant global
pooling on three benchmark point cloud classification datasets. Our findings
reveal that: 1) complex pooling methods, such as transport-based or
attention-based poolings, can significantly boost the performance of simple
backbones, but the benefits diminish for more complex backbones, 2) even
complex backbones can benefit from pooling layers in low data scenarios, 3)
surprisingly, the choice of pooling layers can have a more significant impact
on the model's performance than adjusting the width and depth of the backbone,
and 4) pairwise combination of pooling layers can significantly improve the
performance of a fixed backbone. Our comprehensive study provides insights for
practitioners to design better permutation invariant set neural networks.
- Abstract(参考訳): ポイントクラウドのようなセット構造データから学ぶことは、コミュニティから大きな注目を集めている。
幾何学的深層学習は、置換対称性を取り入れた効果的な集合ニューラルネットワークを設計するための青写真を提供する。
我々の関心は、置換不変ネットワークであり、置換同変バックボーン、置換不変大域プール、回帰/分類ヘッドで構成されている。
既存の文献では置換同変バックボーンの改良に焦点が当てられているが、グローバルプールの影響はしばしば見過ごされている。
本稿では,3つのベンチマークポイントクラウド分類データセットにおける置換同変バックボーンと置換不変グローバルプールの相互作用について検討する。
私たちの発見は
1) トランスポートベースやアテンションベースといった複雑なプーリング手法は, 単純なバックボーンの性能を著しく向上させるが, より複雑なバックボーンではメリットが低下する。
2) 複雑なバックボーンでさえ、低いデータシナリオでレイヤをプールするメリットがあります。
3)驚くべきことに、プール層の選択は、バックボーンの幅と深さを調整するよりも、モデルの性能に大きな影響を与える可能性がある。
4) プール層をペアで組み合わせることで、固定されたバックボーンのパフォーマンスが大幅に向上する。
我々の包括的な研究は、より優れた置換不変集合ニューラルネットワークを設計するための洞察を提供する。
関連論文リスト
- Unveiling Backbone Effects in CLIP: Exploring Representational Synergies
and Variances [49.631908848868505]
コントラスト言語-画像事前学習(CLIP)は画像表現学習において顕著な手法である。
各種ニューラルアーキテクチャにおけるCLIP性能の違いについて検討する。
我々は、複数のバックボーンからの予測を組み合わせるためのシンプルで効果的なアプローチを提案し、最大6.34%のパフォーマンス向上につながった。
論文 参考訳(メタデータ) (2023-12-22T03:01:41Z) - Deep Neural Networks with Efficient Guaranteed Invariances [77.99182201815763]
我々は、性能改善の問題、特にディープニューラルネットワークのサンプル複雑性に対処する。
群同変畳み込みは同変表現を得るための一般的なアプローチである。
本稿では,各ストリームが異なる変換に不変なマルチストリームアーキテクチャを提案する。
論文 参考訳(メタデータ) (2023-03-02T20:44:45Z) - E2PN: Efficient SE(3)-Equivariant Point Network [12.520265159777255]
本稿では,3次元点雲からSE(3)-等価特徴を学習するための畳み込み構造を提案する。
カーネルポイント畳み込み(カーネルポイントコンボリューション、カーネルポイントコンボリューション、カーネルポイントコンボリューション、カーネルポイントコンボリューション、カーネルポイントコンボリューション、カーネルポイントコンボリューション、カーネルポイントコンボリューション、カーネルポイントコンボリューション、カーネルポイントコンボリューション、KPConv、カーネルポイントコンボリューション、カーネルポイントコンボリューション、カーネルポイントコンボリューション、カーネルポイントコンボリューション
論文 参考訳(メタデータ) (2022-06-11T02:15:46Z) - Design equivariant neural networks for 3D point cloud [0.0]
この研究は、既存の3Dポイントクラウドに対するニューラルネットワークの一般化と堅牢性の向上を目指している。
ポイントクラウドの同変モデルを設計する際の大きな課題は、モデルのパフォーマンスと複雑さをトレードオフする方法である。
提案手法は汎用的であり、群同変ニューラルネットワークに対する基本的なアプローチを形成する。
論文 参考訳(メタデータ) (2022-05-02T02:57:13Z) - Improving the Sample-Complexity of Deep Classification Networks with
Invariant Integration [77.99182201815763]
変換によるクラス内分散に関する事前知識を活用することは、ディープニューラルネットワークのサンプル複雑性を改善するための強力な方法である。
そこで本研究では,アプリケーションの複雑な問題に対処するために,プルーニング法に基づく新しい単項選択アルゴリズムを提案する。
本稿では,Rotated-MNIST,SVHN,CIFAR-10データセットにおけるサンプルの複雑さの改善について述べる。
論文 参考訳(メタデータ) (2022-02-08T16:16:11Z) - Augmenting Convolutional networks with attention-based aggregation [55.97184767391253]
我々は,非局所的推論を実現するために,注目に基づくグローバルマップを用いた畳み込みネットワークの強化方法を示す。
この学習集約層を2つのパラメータ(幅と深さ)でパラメータ化した単純パッチベースの畳み込みネットワークで接続する。
これは、特にメモリ消費の点で、精度と複雑さの間の驚くほど競争力のあるトレードオフをもたらす。
論文 参考訳(メタデータ) (2021-12-27T14:05:41Z) - Group Equivariant Neural Architecture Search via Group Decomposition and
Reinforcement Learning [17.291131923335918]
我々は、同値ニューラルネットワークの文脈において、新しい群論的結果を証明する。
また、計算複雑性を大幅に改善する同変ネットワークを構築するアルゴリズムを設計する。
我々は、性能を最大化するグループ同変ネットワークの探索に深層Q-ラーニングを用いる。
論文 参考訳(メタデータ) (2021-04-10T19:37:25Z) - Equivariant Point Network for 3D Point Cloud Analysis [17.689949017410836]
点雲解析のための実効的で実用的なSE(3)(3次元翻訳と回転)同変ネットワークを提案する。
まず,6次元の畳み込みを2つの分離可能な畳み込み作用素に分解する新しい枠組みであるSE(3)分離点畳み込みを提案する。
第2に,同変特徴の表現性を効果的に活用するアテンション層を導入する。
論文 参考訳(メタデータ) (2021-03-25T21:57:10Z) - LieTransformer: Equivariant self-attention for Lie Groups [49.9625160479096]
群等価ニューラルネットワークは群不変ニューラルネットワークの構成要素として用いられる。
我々は、文学の範囲を、ディープラーニングモデルの顕著な構築ブロックとして現れつつある自己注意にまで広げる。
任意のリー群とその離散部分群に同値なリー自己結合層からなる構造であるリー変換器を提案する。
論文 参考訳(メタデータ) (2020-12-20T11:02:49Z) - A Rotation-Invariant Framework for Deep Point Cloud Analysis [132.91915346157018]
ネットワーク入力時に一般的な3次元カルト座標を置き換えるために,新しい低レベル純粋回転不変表現を導入する。
また,これらの表現を特徴に組み込むネットワークアーキテクチャを提案し,点とその近傍の局所的関係とグローバルな形状構造を符号化する。
本手法は, 形状分類, 部分分割, 形状検索を含む多点雲解析タスクにおいて評価する。
論文 参考訳(メタデータ) (2020-03-16T14:04:45Z)
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。