論文の概要: PatchMixer: Rethinking network design to boost generalization for 3D point cloud understanding

• arxiv url: http://arxiv.org/abs/2307.15692v1
• Date: Fri, 28 Jul 2023 17:37:53 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-31 11:43:17.433499
• Title: PatchMixer: Rethinking network design to boost generalization for 3D point cloud understanding
• Title（参考訳）: PatchMixer:3Dポイントクラウド理解の一般化を促進するためにネットワーク設計を再考
• Authors: Davide Boscaini, Fabio Poiesi
• Abstract要約: 我々は、学習した知識を異なるドメインに転送するモデルの能力は、ディープネットワークアーキテクチャの品質を徹底的に評価するために評価すべき重要な特徴であると主張している。 PatchMixerは、最近の論文の背景にあるアイデアを3Dポイントクラウドに拡張する、シンプルだが効果的なアーキテクチャである。
• 参考スコア（独自算出の注目度）: 2.512827436728378
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The recent trend in deep learning methods for 3D point cloud understanding is to propose increasingly sophisticated architectures either to better capture 3D geometries or by introducing possibly undesired inductive biases. Moreover, prior works introducing novel architectures compared their performance on the same domain, devoting less attention to their generalization to other domains. We argue that the ability of a model to transfer the learnt knowledge to different domains is an important feature that should be evaluated to exhaustively assess the quality of a deep network architecture. In this work we propose PatchMixer, a simple yet effective architecture that extends the ideas behind the recent MLP-Mixer paper to 3D point clouds. The novelties of our approach are the processing of local patches instead of the whole shape to promote robustness to partial point clouds, and the aggregation of patch-wise features using an MLP as a simpler alternative to the graph convolutions or the attention mechanisms that are used in prior works. We evaluated our method on the shape classification and part segmentation tasks, achieving superior generalization performance compared to a selection of the most relevant deep architectures.
• Abstract（参考訳）: 3Dポイントクラウド理解のためのディープラーニング手法の最近のトレンドは、より洗練されたアーキテクチャを提案して、3Dジオメトリをよりよく捉えるか、あるいは望ましくない帰納的バイアスを導入することである。 さらに、新しいアーキテクチャを導入する以前の作業は、同じドメインでのパフォーマンスを比較し、他のドメインへの一般化への注意を減らした。 我々は、学習した知識を異なるドメインに転送するモデルの能力は、ディープネットワークアーキテクチャの品質を徹底的に評価するために評価すべき重要な特徴であると主張している。 本稿では,最近のMLP-Mixer論文の背景にあるアイデアを3Dポイントクラウドに拡張する,シンプルで効果的なアーキテクチャであるPatchMixerを提案する。 提案手法の斬新さは,部分点雲へのロバスト性を促進するため,局所パッチの全体ではなく,局所パッチの処理であり,従来のグラフ畳み込みや注意機構の簡易な代替として,MLPを用いたパッチワイズ特徴の集約である。 形状分類と部分分割タスクについて評価を行い,最も関連する深層アーキテクチャの選択と比較して,優れた一般化性能を得た。

関連論文リスト

• Boosting Cross-Domain Point Classification via Distilling Relational Priors from 2D Transformers [59.0181939916084]
  従来の3Dネットワークは主に局所幾何学的詳細に焦点を当て、局所幾何学間の位相構造を無視する。 そこで本稿では,大規模画像上においてよく訓練されたトランスフォーマーから前駆体を抽出する,新しい先駆体蒸留法を提案する。 PointDA-10とSim-to-Realデータセットの実験は、提案手法が点クラウド分類におけるUDAの最先端性能を一貫して達成していることを検証する。
  論文  参考訳（メタデータ） (2024-07-26T06:29:09Z)
• GeoMask3D: Geometrically Informed Mask Selection for Self-Supervised Point Cloud Learning in 3D [18.33878596057853]
  ポイントクラウドのための自己教師型学習に先駆的なアプローチを導入する。 我々は、Masked Autosの効率を高めるためにGeoMask3D(GM3D)と呼ばれる幾何学的に情報を得たマスク選択戦略を採用した。
  論文  参考訳（メタデータ） (2024-05-20T23:53:42Z)
• Towards Compact 3D Representations via Point Feature Enhancement Masked Autoencoders [52.66195794216989]
  本稿では,コンパクトな3D表現を学習するために,ポイント特徴強調マスク付きオートエンコーダ(Point-FEMAE)を提案する。 Point-FEMAEはグローバルブランチとローカルブランチで構成され、潜在意味的特徴をキャプチャする。 本手法は, クロスモーダル方式と比較して, 事前学習効率を著しく向上させる。
  論文  参考訳（メタデータ） (2023-12-17T14:17:05Z)
• Human as Points: Explicit Point-based 3D Human Reconstruction from Single-view RGB Images [78.56114271538061]
  我々はHaPと呼ばれる明示的なポイントベース人間再構築フレームワークを導入する。 提案手法は,3次元幾何学空間における完全明示的な点雲推定,操作,生成,洗練が特徴である。 我々の結果は、完全に明示的で幾何学中心のアルゴリズム設計へのパラダイムのロールバックを示すかもしれない。
  論文  参考訳（メタデータ） (2023-11-06T05:52:29Z)
• Patch-Wise Point Cloud Generation: A Divide-and-Conquer Approach [83.05340155068721]
  分割・分散アプローチを用いた新しい3dポイントクラウド生成フレームワークを考案する。 すべてのパッチジェネレータは学習可能な事前情報に基づいており、幾何学的プリミティブの情報を取得することを目的としている。 最も人気のあるポイントクラウドデータセットであるShapeNetのさまざまなオブジェクトカテゴリに関する実験結果は、提案したパッチワイドポイントクラウド生成の有効性を示している。
  論文  参考訳（メタデータ） (2023-07-22T11:10:39Z)
• Small but Mighty: Enhancing 3D Point Clouds Semantic Segmentation with U-Next Framework [7.9395601503353825]
  我々は,ポイントクラウドセマンティックセマンティックセグメンテーション用に設計された,小さいが強力なフレームワークであるU-Nextを提案する。 U-Nextは複数のU-Net$L1$コーデックをネストして密に配置し、セマンティックギャップを最小限に抑えることで構築します。 S3DIS、Tronto3D、SensatUrbanの3つの大規模ベンチマークで実施された大規模な実験は、提案したU-Nextアーキテクチャの優位性と有効性を示している。
  論文  参考訳（メタデータ） (2023-04-03T06:59:08Z)
• Quality evaluation of point clouds: a novel no-reference approach using transformer-based architecture [11.515951211296361]
  本稿では,大規模な事前処理を必要とせず,全点クラウド上で直接動作する新しい非参照品質指標を提案する。 ローカルなセマンティック親和性の最適セットを学習するために,クロス層とセルフアテンション層を主とする新しいモデル設計を用いる。
  論文  参考訳（メタデータ） (2023-03-15T14:01:12Z)
• 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)
• Revisiting Point Cloud Simplification: A Learnable Feature Preserving Approach [57.67932970472768]
  MeshとPoint Cloudの単純化手法は、3Dモデルの複雑さを低減しつつ、視覚的品質と関連する健全な機能を維持することを目的としている。 そこで本研究では,正解点の標本化を学習し,高速点雲の簡易化手法を提案する。 提案手法は、入力空間から任意のユーザ定義の点数を選択し、視覚的知覚誤差を最小限に抑えるために、その位置を再配置するよう訓練されたグラフニューラルネットワークアーキテクチャに依存する。
  論文  参考訳（メタデータ） (2021-09-30T10:23:55Z)

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。