論文の概要: Deep Learning-based 3D Point Cloud Classification: A Systematic Survey and Outlook

• arxiv url: http://arxiv.org/abs/2311.02608v1
• Date: Sun, 5 Nov 2023 09:28:43 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-07 16:37:55.811683
• Title: Deep Learning-based 3D Point Cloud Classification: A Systematic Survey and Outlook
• Title（参考訳）: ディープラーニングに基づく3Dポイントクラウド分類:システム調査と展望
• Authors: Huang Zhang, Changshuo Wang, Shengwei Tian, Baoli Lu, Liping Zhang, Xin Ning, Xiao Bai
• Abstract要約: 本稿では,ポイントクラウドの獲得,特徴,課題を紹介する。 我々は3Dデータ表現、ストレージフォーマット、およびポイントクラウド分類のための一般的に使用されるデータセットについてレビューする。
• 参考スコア（独自算出の注目度）: 12.014972829130764
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, point cloud representation has become one of the research hotspots in the field of computer vision, and has been widely used in many fields, such as autonomous driving, virtual reality, robotics, etc. Although deep learning techniques have achieved great success in processing regular structured 2D grid image data, there are still great challenges in processing irregular, unstructured point cloud data. Point cloud classification is the basis of point cloud analysis, and many deep learning-based methods have been widely used in this task. Therefore, the purpose of this paper is to provide researchers in this field with the latest research progress and future trends. First, we introduce point cloud acquisition, characteristics, and challenges. Second, we review 3D data representations, storage formats, and commonly used datasets for point cloud classification. We then summarize deep learning-based methods for point cloud classification and complement recent research work. Next, we compare and analyze the performance of the main methods. Finally, we discuss some challenges and future directions for point cloud classification.
• Abstract（参考訳）: 近年、ポイントクラウドの表現はコンピュータビジョンの分野での研究ホットスポットの1つとなり、自律運転、仮想現実、ロボット工学など多くの分野で広く利用されている。 ディープラーニング技術は、通常の2Dグリッド画像データの処理において大きな成功を収めてきたが、不規則で非構造化のクラウドデータの処理には依然として大きな課題がある。 ポイントクラウド分類はポイントクラウド分析の基礎であり、多くのディープラーニングベースの手法がこのタスクで広く使われている。 そこで本稿の目的は,この分野の研究者に最新の研究動向と今後の動向を提供することである。 まず,ポイントクラウドの獲得,特性,課題について紹介する。 第2に,ポイントクラウド分類のための3次元データ表現,ストレージフォーマット,一般的なデータセットについて検討する。 次に,ポイントクラウド分類のための深層学習に基づく手法を要約し,最近の研究成果を補完する。 次に,本手法の性能を比較し,解析する。 最後に,ポイントクラウド分類の課題と今後の方向性について述べる。

関連論文リスト

• Deep Learning for 3D Point Cloud Enhancement: A Survey [7.482216242644069]
  本稿では,深層学習に基づくポイントクラウド強化手法に関する総合的な調査を行う。 ポイントクラウドの強化、すなわちクリーンなデータを達成するためのデノイング、見えないデータを復元するための完了、高密度なデータを得るためのアップサンプリングの3つの主要な視点をカバーしている。 本調査では,最近の最先端手法の新しい分類法と,標準ベンチマークの体系的実験結果について述べる。
  論文  参考訳（メタデータ） (2024-10-30T15:07:06Z)
• A comprehensive overview of deep learning techniques for 3D point cloud classification and semantic segmentation [0.20649496811699863]
  本稿では,ポイントクラウド処理におけるディープラーニング手法の最近の進歩を解析する。 3Dポイントクラウド処理における2つの主要なタスク、すなわち3D形状分類とセマンティックセグメンテーションの包括的なレビューとして機能する。
  論文  参考訳（メタデータ） (2024-05-20T09:33:27Z)
• Explore In-Context Learning for 3D Point Cloud Understanding [71.20912026561484]
  我々は,特に3Dポイントクラウドにおけるコンテキスト内学習のために設計された,ポイント・イン・コンテキストという新しいフレームワークを紹介した。 一般点サンプリング演算子とタンデムで協調して動作するように慎重に設計したJoint Smplingモジュールを提案する。 提案手法の汎用性と適応性を検証するため,幅広いタスクを扱うための広範囲な実験を行った。
  論文  参考訳（メタデータ） (2023-06-14T17:53:21Z)
• A Survey of Label-Efficient Deep Learning for 3D Point Clouds [109.07889215814589]
  本稿では,点雲のラベル効率学習に関する包括的調査を行う。 本稿では,ラベルの種類によって提供されるデータ前提条件に基づいて,ラベル効率のよい学習手法を整理する分類法を提案する。 それぞれのアプローチについて、問題設定の概要と、関連する進展と課題を示す広範な文献レビューを提供する。
  論文  参考訳（メタデータ） (2023-05-31T12:54:51Z)
• Self-supervised Learning for Pre-Training 3D Point Clouds: A Survey [25.51613543480276]
  近年,自己管理型ポイントクラウド表現学習が注目されている。 本稿では,DNNを用いた自己教師型ポイントクラウド表現学習に関する包括的調査を行う。
  論文  参考訳（メタデータ） (2023-05-08T13:20:55Z)
• Point2Vec for Self-Supervised Representation Learning on Point Clouds [66.53955515020053]
  Data2vecをポイントクラウド領域に拡張し、いくつかのダウンストリームタスクで推奨される結果を報告します。 我々は、ポイントクラウド上でData2vecライクな事前トレーニングの可能性を解放するpoint2vecを提案する。
  論文  参考訳（メタデータ） (2023-03-29T10:08:29Z)
• 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)
• Review: deep learning on 3D point clouds [9.73176900969663]
  ポイントクラウドは3D表現のための最も重要なデータフォーマットの1つである。 ディープラーニングは現在、コンピュータビジョンにおけるデータ処理の最も強力なツールです。
  論文  参考訳（メタデータ） (2020-01-17T12:55:23Z)
• Deep Learning for 3D Point Clouds: A Survey [58.954684611055]
  本稿では,ポイントクラウドにおけるディープラーニング手法の最近の進歩を概観する。 3D形状分類、3Dオブジェクトの検出と追跡、3Dポイントクラウドセグメンテーションを含む3つの主要なタスクをカバーしている。 また、いくつかの公開データセットで比較結果を提示する。
  論文  参考訳（メタデータ） (2019-12-27T09:15:54Z)

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。