論文の概要: Test-Time Augmentation for 3D Point Cloud Classification and
Segmentation
- arxiv url: http://arxiv.org/abs/2311.13152v1
- Date: Wed, 22 Nov 2023 04:31:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-23 16:22:50.715773
- Title: Test-Time Augmentation for 3D Point Cloud Classification and
Segmentation
- Title(参考訳): 3dポイントクラウド分類とセグメンテーションのためのテスト時間拡張
- Authors: Tuan-Anh Vu, Srinjay Sarkar, Zhiyuan Zhang, Binh-Son Hua, Sai-Kit
Yeung
- Abstract要約: データ拡張は、ディープラーニングタスクのパフォーマンスを向上させるための強力なテクニックである。
本研究は,3次元点雲に対するTTA(Test-time augmentation)について検討する。
- 参考スコア(独自算出の注目度): 40.62640761825697
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Data augmentation is a powerful technique to enhance the performance of a
deep learning task but has received less attention in 3D deep learning. It is
well known that when 3D shapes are sparsely represented with low point density,
the performance of the downstream tasks drops significantly. This work explores
test-time augmentation (TTA) for 3D point clouds. We are inspired by the recent
revolution of learning implicit representation and point cloud upsampling,
which can produce high-quality 3D surface reconstruction and
proximity-to-surface, respectively. Our idea is to leverage the implicit field
reconstruction or point cloud upsampling techniques as a systematic way to
augment point cloud data. Mainly, we test both strategies by sampling points
from the reconstructed results and using the sampled point cloud as test-time
augmented data. We show that both strategies are effective in improving
accuracy. We observed that point cloud upsampling for test-time augmentation
can lead to more significant performance improvement on downstream tasks such
as object classification and segmentation on the ModelNet40, ShapeNet,
ScanObjectNN, and SemanticKITTI datasets, especially for sparse point clouds.
- Abstract(参考訳): データ拡張は、ディープラーニングタスクのパフォーマンスを高める強力なテクニックだが、3dディープラーニングではあまり注目されていない。
3d形状が低点密度でスパースに表現されると、下流タスクのパフォーマンスが著しく低下することが知られている。
この研究は、3dポイントクラウドのためのテスト時間拡張(tta)を探求する。
我々は暗黙の表現と点雲のアップサンプリングの最近の革命に触発され、高品質な3次元表面再構成と近接表面をそれぞれ生成できる。
私たちのアイデアは、暗黙のフィールド再構成やポイントクラウドアップサンプリング技術を、ポイントクラウドデータを拡張するための体系的な方法として活用することです。
主に,再構成結果からポイントをサンプリングし,テスト時拡張データとしてサンプリングしたポイントクラウドを用いて,両方の戦略をテストした。
両戦略が精度向上に有効であることを示す。
テスト時間拡張のためのポイントクラウドのアップサンプリングは、modelnet40、shapenet、scanobjectnn、semantickittiデータセット、特にスパースポイントクラウドにおけるオブジェクトの分類やセグメンテーションといった下流タスクにおいて、より重要なパフォーマンス改善をもたらすことを見出しました。
関連論文リスト
- Clustering based Point Cloud Representation Learning for 3D Analysis [80.88995099442374]
本稿では,ポイントクラウド分析のためのクラスタリングに基づく教師付き学習手法を提案する。
現在のデファクトでシーンワイドなトレーニングパラダイムとは異なり、我々のアルゴリズムは点埋め込み空間上でクラス内のクラスタリングを行う。
我々のアルゴリズムは、有名なポイントクラウドセグメンテーションデータセットの顕著な改善を示している。
論文 参考訳(メタデータ) (2023-07-27T03:42:12Z) - 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) - StarNet: Style-Aware 3D Point Cloud Generation [82.30389817015877]
StarNetは、マッピングネットワークを使用して高忠実度および3Dポイントクラウドを再構築し、生成することができる。
我々のフレームワークは、クラウドの再構築と生成タスクにおいて、様々なメトリクスで同等の最先端のパフォーマンスを達成します。
論文 参考訳(メタデータ) (2023-03-28T08:21:44Z) - Self-Supervised Learning with Multi-View Rendering for 3D Point Cloud
Analysis [33.31864436614945]
本稿では,3次元点雲モデルのための新しい事前学習手法を提案する。
我々の事前訓練は、局所的なピクセル/ポイントレベルの対応損失と、大域的な画像/ポイントの雲のレベル損失によって自己管理される。
これらの改善されたモデルは、さまざまなデータセットや下流タスクにおける既存の最先端メソッドよりも優れています。
論文 参考訳(メタデータ) (2022-10-28T05:23:03Z) - A Conditional Point Diffusion-Refinement Paradigm for 3D Point Cloud
Completion [69.32451612060214]
実スキャンされた3Dポイントクラウドはしばしば不完全であり、下流アプリケーションのために完全なポイントクラウドを復元することが重要である。
ほとんどの既存のポイントクラウド補完方法は、トレーニングにチャンファー距離(CD)損失を使用する。
本稿では,点雲完了のためのPDR(Point Diffusion-Refinement)パラダイムを提案する。
論文 参考訳(メタデータ) (2021-12-07T06:59:06Z) - Deep Point Cloud Reconstruction [74.694733918351]
3Dスキャンから得られる点雲は、しばしばスパース、ノイズ、不規則である。
これらの問題に対処するため、最近の研究は別々に行われ、不正確な点雲を密度化、復調し、完全な不正確な点雲を観測している。
本研究では,1) 初期密度化とデノナイズのための3次元スパース集積時間ガラスネットワーク,2) 離散ボクセルを3Dポイントに変換するトランスフォーマーによる改良,の2段階からなる深部点雲再構成ネットワークを提案する。
論文 参考訳(メタデータ) (2021-11-23T07:53:28Z) - Efficient Urban-scale Point Clouds Segmentation with BEV Projection [0.0]
ほとんどのディープポイントクラウドモデルは、直接3Dポイントクラウド上で学習を行います。
本稿では,高密度の鳥眼視射影に3次元点雲を移すことを提案する。
論文 参考訳(メタデータ) (2021-09-19T06:49:59Z) - PnP-3D: A Plug-and-Play for 3D Point Clouds [38.05362492645094]
本稿では,既存ネットワークのポイントクラウドデータ解析における有効性を改善するために,プラグイン・アンド・プレイモジュール -3D を提案する。
アプローチを徹底的に評価するために,3つの標準的なクラウド分析タスクについて実験を行った。
本研究は,最先端の成果の達成に加えて,我々のアプローチのメリットを実証する包括的研究を提案する。
論文 参考訳(メタデータ) (2021-08-16T23:59:43Z) - DV-Det: Efficient 3D Point Cloud Object Detection with Dynamic
Voxelization [0.0]
本稿では,効率的な3Dポイント・クラウド・オブジェクト検出のための新しい2段階フレームワークを提案する。
生のクラウドデータを3D空間で直接解析するが、目覚ましい効率と精度を実現する。
我々は,75 FPSでKITTI 3Dオブジェクト検出データセットを,25 FPSの推論速度で良好な精度でOpenデータセット上で強調する。
論文 参考訳(メタデータ) (2021-07-27T10:07:39Z) - Self-supervised Learning of Point Clouds via Orientation Estimation [19.31778462735251]
ラベルの少ないポイントクラウドでダウンストリームタスクを学習するために、私たちは3Dセルフスーパービジョンを活用しています。
点雲は無限に多くの方法で回転することができるので、自己超越のためにリッチなラベルのない情報源を提供する。
論文 参考訳(メタデータ) (2020-08-01T17:49:45Z)
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。