論文の概要: Rotation-Invariant Random Features Provide a Strong Baseline for Machine
Learning on 3D Point Clouds
- arxiv url: http://arxiv.org/abs/2308.06271v1
- Date: Thu, 27 Jul 2023 20:18:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-20 16:40:17.214481
- Title: Rotation-Invariant Random Features Provide a Strong Baseline for Machine
Learning on 3D Point Clouds
- Title（参考訳）: 回転不変なランダム特徴は3次元点雲上の機械学習の強力なベースラインを提供する
- Authors: Owen Melia, Eric Jonas, and Rebecca Willett
- Abstract要約: 三次元点雲データの回転不変関数を簡易かつ汎用的に学習する手法を提案する。
我々は,本手法が汎用回転不変ニューラルネットワークの性能に適合し,性能に優れることを示す。
- 参考スコア（独自算出の注目度）: 10.166033101890227
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Rotational invariance is a popular inductive bias used by many fields in
machine learning, such as computer vision and machine learning for quantum
chemistry. Rotation-invariant machine learning methods set the state of the art
for many tasks, including molecular property prediction and 3D shape
classification. These methods generally either rely on task-specific
rotation-invariant features, or they use general-purpose deep neural networks
which are complicated to design and train. However, it is unclear whether the
success of these methods is primarily due to the rotation invariance or the
deep neural networks. To address this question, we suggest a simple and
general-purpose method for learning rotation-invariant functions of
three-dimensional point cloud data using a random features approach.
Specifically, we extend the random features method of Rahimi & Recht 2007 by
deriving a version that is invariant to three-dimensional rotations and showing
that it is fast to evaluate on point cloud data. We show through experiments
that our method matches or outperforms the performance of general-purpose
rotation-invariant neural networks on standard molecular property prediction
benchmark datasets QM7 and QM9. We also show that our method is general-purpose
and provides a rotation-invariant baseline on the ModelNet40 shape
classification task. Finally, we show that our method has an order of magnitude
smaller prediction latency than competing kernel methods.
- Abstract（参考訳）: 回転不変性(英: Rotational invariance)は、コンピュータビジョンや量子化学のための機械学習など、機械学習の多くの分野で使われている誘導バイアスである。
回転不変の機械学習手法は、分子特性予測や3次元形状分類など、多くのタスクにおいて技術の状態を設定する。
これらの手法は一般にタスク固有の回転不変特性に依存するか、設計や訓練に複雑な汎用ディープニューラルネットワークを使用する。
しかし、これらの手法の成功は、主に回転不変性やディープニューラルネットワークによるものであるかどうかは不明である。
この問題を解決するために,ランダムな特徴量を用いた3次元点雲データの回転不変関数の学習法を提案する。
具体的には,3次元回転に不変なバージョンを導出することにより,rahimi & recht 2007 のランダム特徴法を拡張し,ポイントクラウドデータの評価が高速であることを示す。
本手法は,標準分子特性予測ベンチマークデータセット qm7 および qm9 上での汎用回転不変ニューラルネットワークの性能に匹敵する性能を示す。
また,本手法は汎用的であり,ModelNet40形状分類タスクの回転不変ベースラインを提供する。
最後に,本手法は,競合するカーネル手法よりも予測遅延が桁違いに小さいことを示す。
関連論文リスト
- PARE-Net: Position-Aware Rotation-Equivariant Networks for Robust Point Cloud Registration [8.668461141536383]
回転不変の特徴を学習することは、ポイントクラウド登録の基本的な要件である。
既存の手法では、回転に敏感なネットワークを用いて特徴を抽出し、回転拡大を用いて近似不変写像を無作為に学習する。
高速で軽量でロバストな登録のための位置認識型回転同変ネットワークを提案する。
論文 参考訳（メタデータ） (2024-07-14T10:26:38Z) - NeuralGF: Unsupervised Point Normal Estimation by Learning Neural
Gradient Function [55.86697795177619]
3次元点雲の正規推定は3次元幾何処理の基本的な課題である。
我々は,ニューラルネットワークが入力点雲に適合することを奨励する,ニューラルグラデーション関数の学習のための新しいパラダイムを導入する。
広範に使用されているベンチマークの優れた結果から,本手法は非指向性および指向性正常推定タスクにおいて,より正確な正規性を学習できることが示されている。
論文 参考訳（メタデータ） (2023-11-01T09:25:29Z) - A Simple Strategy to Provable Invariance via Orbit Mapping [14.127786615513978]
本稿では,グループ行動に関して,ネットワークアーキテクチャを確実に不変にする方法を提案する。
簡単に言えば、実際のネットワークにデータを送る前に、可能なトランスフォーメーションを“無効化”するつもりです。
論文 参考訳（メタデータ） (2022-09-24T03:40:42Z) - RIConv++: Effective Rotation Invariant Convolutions for 3D Point Clouds
Deep Learning [32.18566879365623]
3Dポイントクラウドのディープラーニングは、ニューラルネットワークがポイントクラウドの機能を直接学習することのできる、有望な研究分野である。
本稿では,局所領域から強力な回転不変特徴を設計することで特徴の区別を高める,シンプルで効果的な畳み込み演算子を提案する。
ネットワークアーキテクチャは、各畳み込み層の近傍サイズを単純に調整することで、ローカルとグローバルの両方のコンテキストをキャプチャできる。
論文 参考訳（メタデータ） (2022-02-26T08:32:44Z) - 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) - Vector Neurons: A General Framework for SO(3)-Equivariant Networks [32.81671803104126]
本稿では,ベクトルニューロン表現(Vector Neuron representations)をベースとした汎用フレームワークを提案する。
我々のベクトルニューロンは、SO(3) の作用を潜在空間へ簡単にマッピングできる。
また、回転等変性再構成ネットワークを初めて示しました。
論文 参考訳（メタデータ） (2021-04-25T18:48:15Z) - PRIN/SPRIN: On Extracting Point-wise Rotation Invariant Features [91.2054994193218]
点群解析における回転不変特徴抽出に着目した点集合学習フレームワークPRINを提案する。
さらに、PRINをスパースポイントクラウド上で直接動作するSPRINと呼ばれるスパースバージョンに拡張します。
その結果、ランダムに回転した点群を持つデータセットでは、SPRINはデータ拡張なしで最先端の方法よりも優れたパフォーマンスを発揮します。
論文 参考訳（メタデータ） (2021-02-24T06:44:09Z) - Adjoint Rigid Transform Network: Task-conditioned Alignment of 3D Shapes [86.2129580231191]
Adjoint Rigid Transform (ART) Networkは、さまざまな3Dネットワークと統合可能なニューラルネットワークモジュールである。
ARTは入力の形状を学習した標準方向に回転させることを学び、多くのタスクに欠かせない。
さらなる研究のために、コードと事前訓練されたモデルをリリースします。
論文 参考訳（メタデータ） (2021-02-01T20:58:45Z) - 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) - Learning to Orient Surfaces by Self-supervised Spherical CNNs [15.554429755106332]
3D表面の標準配向の定義と確実な発見は、多くのコンピュータビジョンとロボティクスアプリケーションにとって鍵となる。
点雲として表される曲面に対する頑健な正準方向の学習の実現可能性を示す。
提案手法は, 自己教師付き訓練手順により生データからこのような特徴マップを学習し, 入力点雲を学習正準方向に変換する回転を頑健に選択する。
論文 参考訳（メタデータ） (2020-11-06T11:43:57Z) - 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。