論文の概要: Mini-PointNetPlus: a local feature descriptor in deep learning model for 3d environment perception

• arxiv url: http://arxiv.org/abs/2307.13300v1
• Date: Tue, 25 Jul 2023 07:30:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-26 18:05:30.464286
• Title: Mini-PointNetPlus: a local feature descriptor in deep learning model for 3d environment perception
• Title（参考訳）: 三次元環境認識のための深層学習モデルにおける局所特徴記述子Mini-PointNetPlus
• Authors: Chuanyu Luo, Nuo Cheng, Sikun Ma, Jun Xiang, Xiaohan Li, Shengguang Lei, Pu Li
• Abstract要約: そこで我々は,PointNet へのプラグイン・アンド・プレイの代替として,新しいローカル機能記述子 mini-PointNetPlus を提案する。 我々の基本的な考え方は、データポイントを考慮された個々の特徴に別々に投影することであり、それぞれが置換不変となる。 提案する記述子の特徴を十分に活用するため,3次元知覚の性能向上実験を行った。
• 参考スコア（独自算出の注目度）: 7.304195370862869
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Common deep learning models for 3D environment perception often use pillarization/voxelization methods to convert point cloud data into pillars/voxels and then process it with a 2D/3D convolutional neural network (CNN). The pioneer work PointNet has been widely applied as a local feature descriptor, a fundamental component in deep learning models for 3D perception, to extract features of a point cloud. This is achieved by using a symmetric max-pooling operator which provides unique pillar/voxel features. However, by ignoring most of the points, the max-pooling operator causes an information loss, which reduces the model performance. To address this issue, we propose a novel local feature descriptor, mini-PointNetPlus, as an alternative for plug-and-play to PointNet. Our basic idea is to separately project the data points to the individual features considered, each leading to a permutation invariant. Thus, the proposed descriptor transforms an unordered point cloud to a stable order. The vanilla PointNet is proved to be a special case of our mini-PointNetPlus. Due to fully utilizing the features by the proposed descriptor, we demonstrate in experiment a considerable performance improvement for 3D perception.
• Abstract（参考訳）: 3D環境知覚のための一般的なディープラーニングモデルは、しばしばピラリゼーション/ボクセル化手法を使用して、ポイントクラウドデータをピラリ/ボクセルに変換し、2D/3D畳み込みニューラルネットワーク(CNN)で処理する。 先駆的な作業であるpointnetは、ポイントクラウドの特徴を抽出するために、ディープラーニングモデルの基本コンポーネントであるローカル機能記述子として広く適用されてきた。 これは、ユニークなピラー/ボクセル特性を提供する対称最大プーリング演算子を使用することによって達成される。 しかし、ほとんどの点を無視することで、最大プール演算子は情報損失を引き起こし、モデルの性能が低下する。 この問題に対処するため,新しいローカル機能記述子 mini-PointNetPlus を PointNet のプラグイン・アンド・プレイの代替として提案する。 我々の基本的な考え方は、データポイントを考慮された個々の特徴に別々に投影することであり、それぞれが置換不変となる。 したがって、提案したディスクリプタは、順序のない点雲を安定な順序に変換する。 バニラPointNetは、私たちのミニPointNetPlusの特別なケースであることが証明されています。 提案するディスクリプタの特徴を十分に活用するため,実験において3次元知覚の性能向上を実証する。

関連論文リスト

• Object Detection in 3D Point Clouds via Local Correlation-Aware Point Embedding [0.0]
  Frustum PointNet(F-PointNet)に基づく点クラウドデータにおける3次元物体検出のための改良されたアプローチを提案する。 提案手法は,従来のF-PointNetと比較し,計算点の特徴のある点近傍について検討する。
  論文  参考訳（メタデータ） (2023-01-11T18:14:47Z)
• SNAKE: Shape-aware Neural 3D Keypoint Field [62.91169625183118]
  形状復元には点雲から3Dキーポイントを検出することが重要である。 形状再構成は3次元キーポイント検出に有効か? 本稿では,形状認識型ニューラル3Dキーポイントフィールドに短いSNAKEという,教師なしの新たなパラダイムを提案する。
  論文  参考訳（メタデータ） (2022-06-03T17:58:43Z)
• 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)
• ODFNet: Using orientation distribution functions to characterize 3D point clouds [0.0]
  点まわりの点配向分布を利用して、点群の表現力のある局所近傍表現を得ます。 新しい ODFNet モデルは ModelNet40 と ScanObjectNN データセットのオブジェクト分類における最先端の精度を実現する。
  論文  参考訳（メタデータ） (2020-12-08T19:54:20Z)
• Spherical Interpolated Convolutional Network with Distance-Feature Density for 3D Semantic Segmentation of Point Clouds [24.85151376535356]
  従来のグリッド形状の3次元畳み込み演算子を置き換えるために,球面補間畳み込み演算子を提案する。 提案手法は,ScanNetデータセットとParis-Lille-3Dデータセットで良好な性能を示す。
  論文  参考訳（メタデータ） (2020-11-27T15:35:12Z)
• SpinNet: Learning a General Surface Descriptor for 3D Point Cloud Registration [57.28608414782315]
  ローカルな特徴を抽出するために、SpinNetと呼ばれる新しい、概念的にはシンプルで、ニューラルなアーキテクチャを導入する。 屋内と屋外の両方の実験では、SpinNetが既存の最先端技術より優れていることが示されている。
  論文  参考訳（メタデータ） (2020-11-24T15:00:56Z)
• Local Grid Rendering Networks for 3D Object Detection in Point Clouds [98.02655863113154]
  CNNは強力だが、全点の雲を高密度の3Dグリッドに酸化した後、点データに直接畳み込みを適用するのは計算コストがかかる。 入力点のサブセットの小さな近傍を低解像度の3Dグリッドに独立してレンダリングする,新しい,原理化されたローカルグリッドレンダリング(LGR)演算を提案する。 ScanNetとSUN RGB-Dデータセットを用いた3次元オブジェクト検出のためのLGR-Netを検証する。
  論文  参考訳（メタデータ） (2020-07-04T13:57:43Z)
• D3Feat: Joint Learning of Dense Detection and Description of 3D Local Features [51.04841465193678]
  私たちは3Dポイントクラウドに3D完全畳み込みネットワークを活用しています。 本稿では,3次元点ごとに検出スコアと記述特徴の両方を密に予測する,新しい,実践的な学習機構を提案する。 本手法は,屋内と屋外の両方のシナリオで最先端の手法を実現する。
  論文  参考訳（メタデータ） (2020-03-06T12:51:09Z)
• PV-RCNN: Point-Voxel Feature Set Abstraction for 3D Object Detection [76.30585706811993]
  我々はPointVoxel-RCNN(PV-RCNN)という新しい高性能な3Dオブジェクト検出フレームワークを提案する。 提案手法は3次元ボクセル畳み込みニューラルネットワーク(CNN)とPointNetベースの集合抽象化の両方を深く統合する。 3DボクセルCNNの効率的な学習と高品質な提案と、PointNetベースのネットワークのフレキシブル・レセプティブ・フィールドを利用する。
  論文  参考訳（メタデータ） (2019-12-31T06:34:10Z)

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。