論文の概要: Learned Gridification for Efficient Point Cloud Processing

• arxiv url: http://arxiv.org/abs/2307.14354v1
• Date: Sat, 22 Jul 2023 19:40:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-30 03:58:25.849919
• Title: Learned Gridification for Efficient Point Cloud Processing
• Title（参考訳）: 効率的なポイントクラウド処理のための学習グリッド化
• Authors: Putri A. van der Linden, David W. Romero, Erik J. Bekkers
• Abstract要約: 我々は,ポイントクラウド処理パイプラインの第一歩として,学習可能なグリッド化を提案する。 グリッド化されたネットワークは、生のポイントクラウドデータに直接適用されるネットワークよりも、メモリと時間の点でスケールが優れていることを示す。
• 参考スコア（独自算出の注目度）: 14.180331276028662
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural operations that rely on neighborhood information are much more expensive when deployed on point clouds than on grid data due to the irregular distances between points in a point cloud. In a grid, on the other hand, we can compute the kernel only once and reuse it for all query positions. As a result, operations that rely on neighborhood information scale much worse for point clouds than for grid data, specially for large inputs and large neighborhoods. In this work, we address the scalability issue of point cloud methods by tackling its root cause: the irregularity of the data. We propose learnable gridification as the first step in a point cloud processing pipeline to transform the point cloud into a compact, regular grid. Thanks to gridification, subsequent layers can use operations defined on regular grids, e.g., Conv3D, which scale much better than native point cloud methods. We then extend gridification to point cloud to point cloud tasks, e.g., segmentation, by adding a learnable de-gridification step at the end of the point cloud processing pipeline to map the compact, regular grid back to its original point cloud form. Through theoretical and empirical analysis, we show that gridified networks scale better in terms of memory and time than networks directly applied on raw point cloud data, while being able to achieve competitive results. Our code is publicly available at https://github.com/computri/gridifier.
• Abstract（参考訳）: 近接情報に依存するニューラルオペレーションは、ポイントクラウド内のポイント間の不規則な距離のため、グリッドデータよりもポイントクラウドにデプロイする場合にはるかに費用がかかる。 一方、グリッドでは、カーネルを一度だけ計算し、全てのクエリ位置に対して再利用することができる。 その結果、周辺情報に依存する操作は、グリッドデータ、特に大きな入力や大きな近傍のデータよりも、点雲の方がはるかに悪化する。 本研究では,その根本原因であるデータの不規則性に対処することで,ポイントクラウド手法のスケーラビリティ問題に対処する。 我々は,ポイントクラウド処理パイプラインの第一段階として学習可能なグリッド化を提案し,ポイントクラウドをコンパクトで正規なグリッドに変換する。 グリッド化によって、その後のレイヤでは、通常のグリッド上で定義されたオペレーション、例えばネイティブポイントクラウドメソッドよりもはるかに優れたスケールのConv3Dを使用することができる。 次に、ポイントクラウド処理パイプラインの最後に学習可能なデグリッド化ステップを追加して、コンパクトでレギュラーなグリッドを元のポイントクラウド形式にマッピングすることで、グリッド化をポイントクラウドタスク、例えばセグメンテーションに拡張します。 理論的および実証的分析により、グリッド化されたネットワークは、生のポイントクラウドデータに直接適用されるネットワークよりもメモリと時間の観点からスケールが良く、競合的な結果が得られることを示した。 私たちのコードはhttps://github.com/computri/gridifierで公開されています。

関連論文リスト

• GridPull: Towards Scalability in Learning Implicit Representations from 3D Point Clouds [60.27217859189727]
  大規模クラウドから暗黙の表現を学習する効率を改善するため,GridPullを提案する。 我々の斬新さは、ニューラルネットワークを使わずにグリッド上に定義された離散距離場の高速な推論にある。 我々は、一様格子を用いて高速グリッド探索を行い、サンプルクエリをローカライズし、木構造内の表面点を整理し、表面への距離の計算を高速化する。
  論文  参考訳（メタデータ） (2023-08-25T04:52:52Z)
• 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)
• PointAttN: You Only Need Attention for Point Cloud Completion [89.88766317412052]
  ポイント・クラウド・コンプリート(Point cloud completion)とは、部分的な3次元ポイント・クラウドから3次元の形状を完成させることである。 そこで我々は,kNNを除去するために,ポイントクラウドをポイント単位に処理する新しいニューラルネットワークを提案する。 提案するフレームワークであるPointAttNはシンプルで簡潔で効果的であり、3次元形状の構造情報を正確に捉えることができる。
  論文  参考訳（メタデータ） (2022-03-16T09:20:01Z)
• Unsupervised Point Cloud Representation Learning with Deep Neural Networks: A Survey [104.71816962689296]
  大規模クラウドラベリングの制約により,教師なしのポイントクラウド表現学習が注目されている。 本稿では、ディープニューラルネットワークを用いた教師なしポイントクラウド表現学習の総合的なレビューを提供する。
  論文  参考訳（メタデータ） (2022-02-28T07:46:05Z)
• Deep Surface Reconstruction from Point Clouds with Visibility Information [66.05024551590812]
  視認性情報により生点雲を増大させる2つの簡単な方法を提案する。 提案手法は, 生成面の精度を向上するとともに, ネットワークの形状領域に対する一般化能力も向上する。
  論文  参考訳（メタデータ） (2022-02-03T19:33:47Z)
• SSPU-Net: Self-Supervised Point Cloud Upsampling via Differentiable Rendering [21.563862632172363]
  地中真理を使わずに高密度の点雲を生成するための自己教師付き点雲アップサンプリングネットワーク(SSPU-Net)を提案する。 これを実現するために,入力スパース点雲と高密度点雲との整合性を利用して画像の形状と描画を行う。
  論文  参考訳（メタデータ） (2021-08-01T13:26:01Z)
• Multi-scale Receptive Fields Graph Attention Network for Point Cloud Classification [35.88116404702807]
  MRFGATアーキテクチャはModelNet10とModelNet40データセットでテストされている。 その結果,形状分類作業における最先端性能が得られた。
  論文  参考訳（メタデータ） (2020-09-28T13:01:28Z)
• Meshing Point Clouds with Predicted Intrinsic-Extrinsic Ratio Guidance [30.863194319818223]
  既存のポイントへの接続情報のみを付加することで、インプットポイントクラウドを可能な限り活用することを提案する。 私たちの重要なイノベーションはローカル接続のサロゲートであり、本質的/外生的メトリクスを比較して計算します。 提案手法は, 詳細を保存できるだけでなく, あいまいな構造を扱えるだけでなく, 目に見えないカテゴリに対して強い一般化性を持つことを示す。
  論文  参考訳（メタデータ） (2020-07-17T22:36:00Z)
• TearingNet: Point Cloud Autoencoder to Learn Topology-Friendly Representations [20.318695890515613]
  本稿では,固定長ディスクリプタを用いたポイントクラウドの表現に挑戦する自動エンコーダTearingNetを提案する。 我々のTeringNetは、提案されたTeringネットワークモジュールと、相互に反復的に相互作用するFoldingネットワークモジュールによって特徴付けられる。 実験は、点雲の再構成や、ベンチマークよりもトポロジに優しい表現を生成するという点で、我々の提案の優位性を示している。
  論文  参考訳（メタデータ） (2020-06-17T22:42:43Z)
• GRNet: Gridding Residual Network for Dense Point Cloud Completion [54.43648460932248]
  完全な3Dポイントクラウドを不完全なクラウドから推定することは、多くのビジョンやロボティクスアプリケーションにおいて重要な問題である。 本稿では,ポイントクラウド補完のための新しいGridding Residual Network(GRNet)を提案する。 実験結果から,提案したGRNetはShapeNet,Completion3D,KITTIベンチマークの最先端手法に対して良好に動作することがわかった。
  論文  参考訳（メタデータ） (2020-06-06T02:46:39Z)

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。