論文の概要: CSI: Enhancing the Robustness of 3D Point Cloud Recognition against Corruption

• arxiv url: http://arxiv.org/abs/2310.03360v1
• Date: Thu, 5 Oct 2023 07:30:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-06 17:16:36.126733
• Title: CSI: Enhancing the Robustness of 3D Point Cloud Recognition against Corruption
• Title（参考訳）: CSI: 破壊に対する3Dポイントクラウド認識のロバスト性を高める
• Authors: Zhuoyuan Wu, Jiachen Sun, Chaowei Xiao
• Abstract要約: 現実世界の安全クリティカルなアプリケーションは、避けられないデータ破損による課題を提示する。 本研究では、ポイントクラウドデータ固有の設定特性を利用して、新しいクリティカルサブセット識別(CSI)手法を導入する。 我々のCSIフレームワークは、密度認識サンプリング(DAS)と自己エントロピー最小化(SEM)の2つの重要なコンポーネントを統合している。
• 参考スコア（独自算出の注目度）: 33.70232326721406
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite recent advancements in deep neural networks for point cloud recognition, real-world safety-critical applications present challenges due to unavoidable data corruption. Current models often fall short in generalizing to unforeseen distribution shifts. In this study, we harness the inherent set property of point cloud data to introduce a novel critical subset identification (CSI) method, aiming to bolster recognition robustness in the face of data corruption. Our CSI framework integrates two pivotal components: density-aware sampling (DAS) and self-entropy minimization (SEM), which cater to static and dynamic CSI, respectively. DAS ensures efficient robust anchor point sampling by factoring in local density, while SEM is employed during training to accentuate the most salient point-to-point attention. Evaluations reveal that our CSI approach yields error rates of 18.4\% and 16.3\% on ModelNet40-C and PointCloud-C, respectively, marking a notable improvement over state-of-the-art methods by margins of 5.2\% and 4.2\% on the respective benchmarks. Code is available at \href{https://github.com/masterwu2115/CSI/tree/main}{https://github.com/masterwu2115/CSI/tree/main}
• Abstract（参考訳）: ポイントクラウド認識のためのディープニューラルネットワークの最近の進歩にもかかわらず、現実世界の安全クリティカルなアプリケーションは、避けられないデータ破損による課題を提示している。 現在のモデルは、予期せぬ分布シフトへの一般化においてしばしば不足する。 本研究では,ポイントクラウドデータ固有の設定特性を利用して,データ破損に直面した認識の堅牢性を高めることを目的とした,新たなクリティカルサブセット識別(CSI)手法を提案する。 我々のCSIフレームワークは,密度認識サンプリング (DAS) と自己エントロピー最小化 (SEM) の2つの重要なコンポーネントを統合している。 dasは局所密度のファクタリングによる効率的なロバストアンカーポイントサンプリングを保証し、一方semは最も有意義なポイントツーポイント注意を強調するためにトレーニング中に使用される。 評価の結果、我々のcsiアプローチはmodelnet40-cとpointcloud-cでそれぞれ18.4\%と16.3\%のエラー率を示し、各ベンチマークで5.2\%と4.2\%のマージンで最先端の手法よりも著しく改善した。 コードは \href{https://github.com/masterwu2115/CSI/tree/main}{https://github.com/masterwu2115/CSI/tree/main} で公開されている。

関連論文リスト

• Point Cloud Understanding via Attention-Driven Contrastive Learning [64.65145700121442]
  トランスフォーマーベースのモデルは、自己認識機構を活用することにより、先進的なポイントクラウド理解を持つ。 PointACLは、これらの制限に対処するために設計された、注意駆動のコントラスト学習フレームワークである。 本手法では, 注意駆動型動的マスキング手法を用いて, モデルが非集中領域に集中するように誘導する。
  論文  参考訳（メタデータ） (2024-11-22T05:41:00Z)
• SGCCNet: Single-Stage 3D Object Detector With Saliency-Guided Data Augmentation and Confidence Correction Mechanism [7.631190617438259]
  単一段階点ベース3次元物体検出器は、低品質物体(ILQ)の不十分な学習や、局所化精度と分類信頼度(MLC)の不一致といった課題に直面している。 ILQでは、SGCCNetがSaliency-Guided Data Augmentation(SGDA)戦略を採用し、低品質オブジェクトに対するモデルの堅牢性を高める。 MLCでは、ポイントベースマルチクラス検出器に特化して信頼性補正機構(CCM)を設計する。
  論文  参考訳（メタデータ） (2024-07-01T12:36:01Z)
• Point Cloud Pre-training with Diffusion Models [62.12279263217138]
  我々は、ポイントクラウド拡散事前学習(PointDif)と呼ばれる新しい事前学習手法を提案する。 PointDifは、分類、セグメンテーション、検出など、さまざまな下流タスクのために、さまざまな現実世界のデータセット間で大幅に改善されている。
  論文  参考訳（メタデータ） (2023-11-25T08:10:05Z)
• Sample-adaptive Augmentation for Point Cloud Recognition Against Real-world Corruptions [20.95456179904285]
  本稿では,サンプルの構造に基づくサンプル適応変換をAdaptPointと命名する手法を提案する。 判別器は、原データ分布から逸脱する過度な腐敗の発生を防止するために用いられる。 実験の結果,ModelNet-C,ScanObjectNN-C,ShapeNet-C など,複数の汚損評価ベンチマークにおいて,最先端の結果が得られた。
  論文  参考訳（メタデータ） (2023-09-19T08:46:43Z)
• Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
  本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-08-18T13:13:09Z)
• Risk-optimized Outlier Removal for Robust 3D Point Cloud Classification [54.286437930350445]
  本稿では,各種ノイズによる点雲分類の課題について述べる。 本稿では,下流分類モデルのパワーを生かした革新的なポイントアウトリア浄化手法を提案する。 提案手法は, 多様な点雲の異常値を頑健にフィルタするだけでなく, 既存の点雲分類手法を大幅に強化する。
  論文  参考訳（メタデータ） (2023-07-20T13:47:30Z)
• Benchmarking Robustness of 3D Point Cloud Recognition Against Common Corruptions [38.89370166717221]
  筆者らは,3Dポイントクラウドの破壊堅牢性に関する最初の総合的なベンチマークであるModelNet40-Cを提案する。 評価の結果,モデルNet40 とモデルNet40-C では,最先端モデル (SOTA) では大きな差がみられた。 適切なトレーニングレシピを持つTransformerベースのアーキテクチャは、強力な堅牢性を実現する。
  論文  参考訳（メタデータ） (2022-01-28T18:01:42Z)
• Contrastive Embedding Distribution Refinement and Entropy-Aware Attention for 3D Point Cloud Classification [3.710922682020501]
  この作業は、任意のポイントクラウド分類ネットワークに組み込むことができる対照的な学習アプローチを通じて、強力な表現を学ぶための新しい戦略を提供する。 本手法は実世界のScanObjectNNデータセットにおいて82.9%の精度を実現し,DCGNNでは2.9%,PointNet++では3.1%,GBNetでは2.4%の大幅な性能向上を実現した。
  論文  参考訳（メタデータ） (2022-01-27T09:10:28Z)
• CLNet: Complex Input Lightweight Neural Network designed for Massive MIMO CSI Feedback [7.63185216082836]
  本稿では,CSIの固有特性に基づくCSIフィードバック問題に適したニューラルネットワークCLNetを提案する。 実験の結果,CLNetは室内・屋外のシナリオで平均5.41%の精度向上により最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2021-02-15T12:16:11Z)
• PC-RGNN: Point Cloud Completion and Graph Neural Network for 3D Object Detection [57.49788100647103]
  LiDARベースの3Dオブジェクト検出は、自動運転にとって重要なタスクです。 現在のアプローチでは、遠方および閉ざされた物体の偏りと部分的な点雲に苦しむ。 本稿では,この課題を2つの解決法で解決する新しい二段階アプローチ,pc-rgnnを提案する。
  論文  参考訳（メタデータ） (2020-12-18T18:06:43Z)
• Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
  既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。 これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。 我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
  論文  参考訳（メタデータ） (2020-12-10T23:28:36Z)

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。