論文の概要: Learning-Based Biharmonic Augmentation for Point Cloud Classification

• arxiv url: http://arxiv.org/abs/2311.06070v1
• Date: Fri, 10 Nov 2023 14:04:49 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-13 15:08:36.319130
• Title: Learning-Based Biharmonic Augmentation for Point Cloud Classification
• Title（参考訳）: ポイントクラウド分類のための学習に基づくバイハーモニック拡張
• Authors: Jiacheng Wei, Guosheng Lin, Henghui Ding, Jie Hu, Kim-Hui Yap
• Abstract要約: Biharmonic Augmentation (BA)は、新しくて効率的なデータ拡張技術である。 BAは、既存の3D構造にスムーズな非剛性変形を与えることにより、点雲データを多様化する。 本稿では,先進的なオンライン強化システムであるAdvTuneについて紹介する。
• 参考スコア（独自算出の注目度）: 79.13962913099378
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Point cloud datasets often suffer from inadequate sample sizes in comparison to image datasets, making data augmentation challenging. While traditional methods, like rigid transformations and scaling, have limited potential in increasing dataset diversity due to their constraints on altering individual sample shapes, we introduce the Biharmonic Augmentation (BA) method. BA is a novel and efficient data augmentation technique that diversifies point cloud data by imposing smooth non-rigid deformations on existing 3D structures. This approach calculates biharmonic coordinates for the deformation function and learns diverse deformation prototypes. Utilizing a CoefNet, our method predicts coefficients to amalgamate these prototypes, ensuring comprehensive deformation. Moreover, we present AdvTune, an advanced online augmentation system that integrates adversarial training. This system synergistically refines the CoefNet and the classification network, facilitating the automated creation of adaptive shape deformations contingent on the learner status. Comprehensive experimental analysis validates the superiority of Biharmonic Augmentation, showcasing notable performance improvements over prevailing point cloud augmentation techniques across varied network designs.
• Abstract（参考訳）: ポイントクラウドデータセットは、イメージデータセットと比較してサンプルサイズが不適切な場合が多いため、データの増大が難しくなる。 厳格な変換やスケーリングといった従来の手法は,個々のサンプル形状の変更に制約があるため,データセットの多様性を増加させる可能性も低いが,biharmonic augmentation (ba)法を導入する。 BAは、既存の3D構造にスムーズな非剛性変形を与えることによって、点雲データを多様化する、新しくて効率的なデータ拡張技術である。 このアプローチは変形関数のバイハーモニック座標を計算し、多様な変形プロトタイプを学習する。 提案手法は,CoefNetを用いて,これらのプロトタイプのアマルガメート係数を予測し,包括的変形を確実にする。 さらに,対戦型トレーニングを統合した高度なオンライン強化システムであるAdvTuneを提案する。 このシステムは、CoefNetと分類ネットワークを相乗的に洗練し、学習者の状況に応じて適応的な形状変形の自動生成を容易にする。 総合的な実験分析により、バイハーモニック拡張の優位性を検証し、様々なネットワーク設計における一般的な点雲増強技術よりも顕著な性能向上を示す。

関連論文リスト

• A Simple Background Augmentation Method for Object Detection with Diffusion Model [53.32935683257045]
  コンピュータビジョンでは、データの多様性の欠如がモデル性能を損なうことはよく知られている。 本稿では, 生成モデルの進歩を生かして, 単純かつ効果的なデータ拡張手法を提案する。 背景強化は、特にモデルの堅牢性と一般化能力を大幅に改善する。
  論文  参考訳（メタデータ） (2024-08-01T07:40:00Z)
• Robustifying Generalizable Implicit Shape Networks with a Tunable Non-Parametric Model [10.316008740970037]
  無向点雲からの暗黙的形状再構成の一般化可能なモデルは一般化問題に悩まされる。 ここでは、これらの制限のいくつかをテスト時に緩和する効率的なメカニズムを提案する。 本稿では,本手法によるベースラインの改良と,合成データと実データを用いた最先端技術について述べる。
  論文  参考訳（メタデータ） (2023-11-21T20:12:29Z)
• Training on Thin Air: Improve Image Classification with Generated Data [28.96941414724037]
  Diffusion Inversionは、画像分類のための多種多様な高品質なトレーニングデータを生成するための、シンプルで効果的な方法である。 提案手法は,元のデータ分布を捕捉し,画像を安定拡散の潜在空間に反転させることにより,データカバレッジを確保する。 生成した画像が元のデータセットに取って代わることに成功した3つの重要なコンポーネントを特定します。
  論文  参考訳（メタデータ） (2023-05-24T16:33:02Z)
• AdaPoinTr: Diverse Point Cloud Completion with Adaptive Geometry-Aware Transformers [94.11915008006483]
  本稿では,ポイントクラウドの完了をセット・ツー・セットの翻訳問題として再定義する手法を提案する。 我々は、ポイントクラウド補完のためにTransformerエンコーダデコーダアーキテクチャを採用したPoinTrと呼ばれる新しいモデルを設計する。 本手法は,PCNで6.53 CD,ShapeNet-55で0.81 CD,現実世界のKITTIで0.392 MMDを実現する。
  論文  参考訳（メタデータ） (2023-01-11T16:14:12Z)
• Joint Data and Feature Augmentation for Self-Supervised Representation Learning on Point Clouds [4.723757543677507]
  ユークリッド空間におけるデータ拡張と特徴空間における特徴拡張を組み合わせた融合コントラスト学習フレームワークを提案する。 提案手法の伝達性を検証するため,広範囲な対象分類実験と対象部分分割実験を行う。 実験の結果,提案フレームワークは,自己指導型でポイントクラウド表現を学習する上で有効であることが示された。
  論文  参考訳（メタデータ） (2022-11-02T14:58:03Z)
• Feature transforms for image data augmentation [74.12025519234153]
  画像分類において、多くの拡張アプローチは単純な画像操作アルゴリズムを利用する。 本研究では,14種類の拡張アプローチを組み合わせて生成した画像を追加することで,データレベルでのアンサンブルを構築する。 事前トレーニングされたResNet50ネットワークは、各拡張メソッドから派生した画像を含むトレーニングセットに基づいて微調整される。
  論文  参考訳（メタデータ） (2022-01-24T14:12:29Z)
• Graph-Guided Deformation for Point Cloud Completion [35.10606375236494]
  本稿では,入力データと中間生成を制御および支持点とみなすグラフガイド変形ネットワークを提案する。 我々の重要な洞察は、メッシュ変形法による最小2乗ラプラシア変形過程をシミュレートすることであり、幾何学的詳細のモデリングに適応性をもたらす。 我々はGCN誘導変形による従来のグラフィックアルゴリズムを模倣して、ポイントクラウド補完タスクを改良した最初の人物である。
  論文  参考訳（メタデータ） (2021-11-11T12:55:26Z)
• Point Cloud Augmentation with Weighted Local Transformations [14.644850090688406]
  本稿では,ポイントクラウド拡張のためのポイントWOLFという,シンプルで効果的な拡張手法を提案する。 提案手法は, 複数のアンカー点を中心とする局所重み付け変換により, 滑らかに変化する非剛性変形を生成する。 AugTuneは、目標とする信頼性スコアを生成するために、望ましい課題の強化されたサンプルを生成する。
  論文  参考訳（メタデータ） (2021-10-11T16:11:26Z)
• 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)
• On Robustness and Transferability of Convolutional Neural Networks [147.71743081671508]
  現代の深層畳み込みネットワーク(CNN)は、分散シフトの下で一般化しないとしてしばしば批判される。 現代画像分類CNNにおける分布外と転送性能の相互作用を初めて検討した。 トレーニングセットとモデルサイズを増大させることで、分散シフトロバスト性が著しく向上することがわかった。
  論文  参考訳（メタデータ） (2020-07-16T18:39:04Z)

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。