論文の概要: Decoupled Local Aggregation for Point Cloud Learning

• arxiv url: http://arxiv.org/abs/2308.16532v1
• Date: Thu, 31 Aug 2023 08:21:29 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-01 15:23:50.563463
• Title: Decoupled Local Aggregation for Point Cloud Learning
• Title（参考訳）: ポイントクラウド学習のための局所集約の分離
• Authors: Binjie Chen, Yunzhou Xia, Yu Zang, Cheng Wang, Jonathan Li
• Abstract要約: 本稿では,局所的な集合から空間関係の明示的なモデリングを分離することを提案する。 本稿では,各学習段階で相対的な空間符号化が最初に形成される軽量な点ネットワークであるDeLAを提案する。 DeLAはScanObjectNNで90%以上、S3DIS Area 5で74% mIoUを達成した。
• 参考スコア（独自算出の注目度）: 12.810517967372043
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The unstructured nature of point clouds demands that local aggregation be adaptive to different local structures. Previous methods meet this by explicitly embedding spatial relations into each aggregation process. Although this coupled approach has been shown effective in generating clear semantics, aggregation can be greatly slowed down due to repeated relation learning and redundant computation to mix directional and point features. In this work, we propose to decouple the explicit modelling of spatial relations from local aggregation. We theoretically prove that basic neighbor pooling operations can too function without loss of clarity in feature fusion, so long as essential spatial information has been encoded in point features. As an instantiation of decoupled local aggregation, we present DeLA, a lightweight point network, where in each learning stage relative spatial encodings are first formed, and only pointwise convolutions plus edge max-pooling are used for local aggregation then. Further, a regularization term is employed to reduce potential ambiguity through the prediction of relative coordinates. Conceptually simple though, experimental results on five classic benchmarks demonstrate that DeLA achieves state-of-the-art performance with reduced or comparable latency. Specifically, DeLA achieves over 90\% overall accuracy on ScanObjectNN and 74\% mIoU on S3DIS Area 5. Our code is available at https://github.com/Matrix-ASC/DeLA .
• Abstract（参考訳）: 点雲の非構造的性質は、局所集合を異なる局所構造に適応させることを要求する。 以前の方法は、各集約プロセスに空間関係を明示的に埋め込むことでこれを満たす。 この結合したアプローチは明確な意味論を生成するのに有効であることが示されているが、関係学習の繰り返しと、方向と点を混合する冗長な計算により、集約は大幅に遅くすることができる。 本研究では,局所的な集合から空間関係を明確にモデル化することを提案する。 我々は,基本的空間情報が点特徴に符号化されている限り,特徴融合において明瞭さを損なうことなく,基本的近傍プール操作が機能しすぎることを理論的に証明する。 分離された局所集合のインスタンス化として,各学習段階で相対的な空間エンコーディングが最初に形成され,その際,局所集合にポイントワイド畳み込みとエッジマックスプールのみを用いる軽量な点ネットワークであるDeLAを提案する。 さらに、相対座標の予測により潜在的な曖昧さを減らすために正規化項が用いられる。 概念的にはシンプルだが、5つの古典的なベンチマークの実験結果から、delaは低レイテンシまたは同等のレイテンシで最先端のパフォーマンスを達成していることがわかる。 具体的には、DeLAはScanObjectNNで90%以上、S3DIS Area 5で74%mIoUを達成している。 私たちのコードはhttps://github.com/Matrix-ASC/DeLA で利用可能です。

関連論文リスト

• Coupled Laplacian Eigenmaps for Locally-Aware 3D Rigid Point Cloud Matching [0.0]
  局所構造を考慮したグラフラプラシアン固有写像に基づく新しい手法を提案する。 ラプラシアン固有写像の順序と符号のあいまいさに対処するために、結合ラプラシアンと呼ばれる新しい作用素を導入する。 これらの高次元空間間の類似性は、形状に一致するような局所的な意味のあるスコアを与えることを示す。
  論文  参考訳（メタデータ） (2024-02-27T10:10:12Z)
• CPR++: Object Localization via Single Coarse Point Supervision [55.8671776333499]
  粗い点修正(CPR)は、アルゴリズムの観点からの意味的分散を緩和する最初の試みである。 CPRは、アノテートされた最初のポイントを置き換えるために、近隣地域のセマンティックセンターポイントを選択することで意味のばらつきを減らす。 CPR++は、スケール情報を取得し、グローバル領域における意味的分散をさらに低減することができる。
  論文  参考訳（メタデータ） (2024-01-30T17:38:48Z)
• Point Cloud Classification Using Content-based Transformer via Clustering in Feature Space [25.57569871876213]
  本稿では,PointConTと呼ばれるポイントコンテントベースのトランスフォーマーアーキテクチャを提案する。 特徴空間内の点(コンテンツベース)の局所性を利用して、類似した特徴を持つサンプルポイントを同じクラスにクラスタし、各クラス内の自己アテンションを計算する。 また,各枝の高周波・低周波情報を並列構造を用いて個別に集約するインセプション機能アグリゲータも導入した。
  論文  参考訳（メタデータ） (2023-03-08T14:11:05Z)
• Surface Reconstruction from Point Clouds by Learning Predictive Context Priors [68.12457459590921]
  点雲からの表面の再構成は、3Dコンピュータビジョンにとって不可欠である。 推論時に各ポイントクラウドに対して予測的クエリを学習することで予測的コンテキスト優先を導入する。 一つの形状や複雑なシーンの表面再構成実験の結果, 広く使用されているベンチマークでは, 最先端のベンチマークよりも顕著な改善が見られた。
  論文  参考訳（メタデータ） (2022-04-23T08:11:33Z)
• PAPooling: Graph-based Position Adaptive Aggregation of Local Geometry in Point Clouds [15.878533142927102]
  PaPoolingは、新しいグラフ表現を用いて局所点間の空間関係を明示的にモデル化する。 位置適応的な方法で特徴を集約し、集約された特徴の位置感応的な表現を可能にする。 計算オーバーヘッドを最小限に抑えながら、予測精度を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2021-11-28T07:26:55Z)
• Dynamic Convolution for 3D Point Cloud Instance Segmentation [146.7971476424351]
  動的畳み込みに基づく3次元点雲からのインスタンスセグメンテーション手法を提案する。 我々は、同じ意味圏と閉投票を持つ等質点を幾何学的遠近点に対して収集する。 提案手法は提案不要であり、代わりに各インスタンスの空間的および意味的特性に適応する畳み込みプロセスを利用する。
  論文  参考訳（メタデータ） (2021-07-18T09:05:16Z)
• Clustered Federated Learning via Generalized Total Variation Minimization [83.26141667853057]
  本研究では,分散ネットワーク構造を持つローカルデータセットの局所的(あるいはパーソナライズされた)モデルを学習するための最適化手法について検討する。 我々の主要な概念的貢献は、総変動最小化(GTV)としてフェデレーション学習を定式化することである。 私たちのアルゴリズムの主な貢献は、完全に分散化されたフェデレーション学習アルゴリズムです。
  論文  参考訳（メタデータ） (2021-05-26T18:07:19Z)
• Local Context Attention for Salient Object Segmentation [5.542044768017415]
  本研究では,一様表現型アーキテクチャで局所強化特徴写像を生成するための新しいローカルコンテキスト注意ネットワーク(LCANet)を提案する。 提案するネットワークでは,粗い予測と大域的コンテキストの間の相関特徴写像を計算し,アテンショナル・コリレーション・フィルタ (ACF) モジュールを導入している。 いくつかの有能なオブジェクトセグメンテーションデータセットに対して総合的な実験を行い、提案したLCANetの最先端手法に対する優れた性能を実証した。
  論文  参考訳（メタデータ） (2020-09-24T09:20:06Z)
• FedPD: A Federated Learning Framework with Optimal Rates and Adaptivity to Non-IID Data [59.50904660420082]
  フェデレートラーニング(FL)は、分散データから学ぶための一般的なパラダイムになっています。 クラウドに移行することなく、さまざまなデバイスのデータを効果的に活用するために、Federated Averaging(FedAvg)などのアルゴリズムでは、"Computation then aggregate"(CTA)モデルを採用している。
  論文  参考訳（メタデータ） (2020-05-22T23:07:42Z)
• RPM-Net: Robust Point Matching using Learned Features [79.52112840465558]
  RPM-Netは、より敏感で、より堅牢なディープラーニングベースのアプローチである。 既存の方法とは異なり、我々のRPM-Netは、部分的な可視性を備えた対応や点雲の欠如を処理します。
  論文  参考訳（メタデータ） (2020-03-30T13:45:27Z)

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。