論文の概要: Point Deformable Network with Enhanced Normal Embedding for Point Cloud Analysis

• arxiv url: http://arxiv.org/abs/2312.13071v1
• Date: Wed, 20 Dec 2023 14:52:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-21 15:14:56.026434
• Title: Point Deformable Network with Enhanced Normal Embedding for Point Cloud Analysis
• Title（参考訳）: 点雲解析のための正規埋め込み強化による点変形性ネットワーク
• Authors: Xingyilang Yin, Xi Yang, Liangchen Liu, Nannan Wang, Xinbo Gao
• Abstract要約: 近年,ポイントクラウド解析において高い性能を示す手法が提案されている。 単純なアーキテクチャは局所的な点群で幾何学的特徴を学ぶことができるが、長距離依存を直接モデル化することができない。 本稿では,表現能力の強い長距離関係を捉えるために,PDNet(Point Deformable Network)を提案する。
• 参考スコア（独自算出の注目度）: 59.12922158979068
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently MLP-based methods have shown strong performance in point cloud analysis. Simple MLP architectures are able to learn geometric features in local point groups yet fail to model long-range dependencies directly. In this paper, we propose Point Deformable Network (PDNet), a concise MLP-based network that can capture long-range relations with strong representation ability. Specifically, we put forward Point Deformable Aggregation Module (PDAM) to improve representation capability in both long-range dependency and adaptive aggregation among points. For each query point, PDAM aggregates information from deformable reference points rather than points in limited local areas. The deformable reference points are generated data-dependent, and we initialize them according to the input point positions. Additional offsets and modulation scalars are learned on the whole point features, which shift the deformable reference points to the regions of interest. We also suggest estimating the normal vector for point clouds and applying Enhanced Normal Embedding (ENE) to the geometric extractors to improve the representation ability of single-point. Extensive experiments and ablation studies on various benchmarks demonstrate the effectiveness and superiority of our PDNet.
• Abstract（参考訳）: 近年, MLP法は点雲解析において高い性能を示した。 単純なMLPアーキテクチャは局所点群で幾何学的特徴を学習できるが、長距離依存を直接モデル化することができない。 本稿では,表現能力の強い長大な関係をキャプチャできる,コンパクトなMLPベースのネットワークであるポイント・デフォルタブル・ネットワーク(PDNet)を提案する。 具体的には、点間の長範囲依存と適応集約の両方における表現能力を改善するために、ポイントデフォルマブルアグリゲーションモジュール(PDAM)を前進させた。 各クエリポイントについて、PDAMは限られたローカル領域のポイントではなく、変形可能な参照ポイントから情報を集約する。 変形可能な参照ポイントはデータ依存で生成され、入力ポイント位置に応じて初期化する。 追加のオフセットと変調スカラーがポイント全体の特徴から学習され、変形可能な参照ポイントを関心のある領域にシフトする。 また,点雲の正規ベクトルを推定し,幾何学的抽出器に拡張正規埋め込み(ene)を適用し,単一点の表現能力を向上させることを提案する。 様々なベンチマークに関する大規模な実験とアブレーション研究は、PDNetの有効性と優位性を示している。

関連論文リスト

• Unsupervised Non-Rigid Point Cloud Matching through Large Vision Models [1.3030624795284795]
  非剛点クラウドマッチングのための学習ベースのフレームワークを提案する。 重要な洞察は、大きな視覚モデル(LVM)から派生した意味的特徴を統合することである。 本フレームワークは,局所的な地形間の自己相似性から生じるあいまいさに対処するために,意味的特徴に含まれる構造情報を効果的に活用する。
  論文  参考訳（メタデータ） (2024-08-16T07:02:19Z)
• On-the-fly Point Feature Representation for Point Clouds Analysis [7.074010861305738]
  そこで我々は,曲線特徴生成モジュールを通じて,豊富な幾何学的情報を明示的にキャプチャするOn-the-fly Point Feature Representation (OPFR)を提案する。 また、三角形集合に基づく局所座標系を近似した局所参照コンストラクタモジュールを導入する。 OPFRは推論に1.56ms(バニラPFHより65倍速い)と0.012M以上のパラメータしか必要とせず、様々なバックボーン用の汎用的なプラグアンドプレイモジュールとして機能する。
  論文  参考訳（メタデータ） (2024-07-31T04:57:06Z)
• GAM : Gradient Attention Module of Optimization for Point Clouds Analysis [8.986123309626551]
  点雲解析タスクでは、既存のローカル特徴集約記述子(LFAD)は中心点近傍の情報を完全に活用できない。 本稿では, グラディエント・アテンション・モジュール (GAM) と呼ばれる勾配に基づく局所的アテンション・モジュールを提案する。 GAMは、それぞれ74.4%/90.6%/83.2%のmIoU/OA/mAccを持つ現行のポイントベースモデルの中で最高のパフォーマンスを達成している。
  論文  参考訳（メタデータ） (2023-03-19T02:51:14Z)
• Adaptive Edge-to-Edge Interaction Learning for Point Cloud Analysis [118.30840667784206]
  ポイントクラウドデータ処理の大きな問題は、ローカルリージョンから有用な情報を抽出することだ。 従来の研究は、局所的な形状情報を符号化する地域におけるエッジ間の関係を無視していた。 本稿では,Adaptive Edge-to-Edge Interaction Learningモジュールを提案する。
  論文  参考訳（メタデータ） (2022-11-20T07:10:14Z)
• Object Localization under Single Coarse Point Supervision [107.46800858130658]
  本稿では,粗い点アノテーションを用いたPOL手法を提案する。 CPRは、ポイントバッグを構築し、セマンティック関連点を選択し、マルチインスタンス学習(MIL)を通してセマンティックセンターポイントを生成する。 このようにして、CPRは、粗い点監督の下で高性能オブジェクトローカライザのトレーニングを保証する、弱い制御された進化手順を定義する。
  論文  参考訳（メタデータ） (2022-03-17T14:14:11Z)
• Rethinking Network Design and Local Geometry in Point Cloud: A Simple Residual MLP Framework [55.40001810884942]
  我々は、洗練された局所幾何学的抽出器を組み込んだ純粋な残留ネットワークPointMLPを導入するが、それでも非常に競争力がある。 実世界のScanObjectNNデータセットでは,従来のベストメソッドを3.3%の精度で上回ります。 最新のCurveNetと比較して、PointMLPは2倍速く、テストは7倍速く、ModelNet40ベンチマークではより正確である。
  論文  参考訳（メタデータ） (2022-02-15T01:39:07Z)
• Robust Partial-to-Partial Point Cloud Registration in a Full Range [12.86951061306046]
  本稿では,全方向1の部分対部分点クラウド登録(PPR)のためのポーズ不変対応を推定するグラフマッチング・コンセンサス・ネットワーク(GMCNet)を提案する。 GMCNetは、個別に各点クラウドのポイント記述子を、クロスコンテクスト情報や、トレーニングのための接地真理対応を使わずに符号化する。
  論文  参考訳（メタデータ） (2021-11-30T17:56:24Z)
• 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)
• PRIN/SPRIN: On Extracting Point-wise Rotation Invariant Features [91.2054994193218]
  点群解析における回転不変特徴抽出に着目した点集合学習フレームワークPRINを提案する。 さらに、PRINをスパースポイントクラウド上で直接動作するSPRINと呼ばれるスパースバージョンに拡張します。 その結果、ランダムに回転した点群を持つデータセットでは、SPRINはデータ拡張なしで最先端の方法よりも優れたパフォーマンスを発揮します。
  論文  参考訳（メタデータ） (2021-02-24T06:44:09Z)
• SPU-Net: Self-Supervised Point Cloud Upsampling by Coarse-to-Fine Reconstruction with Self-Projection Optimization [52.20602782690776]
  実際のスキャンされたスパースデータからトレーニング用の大規模なペアリングスパーススキャンポイントセットを得るのは高価で面倒です。 本研究では,SPU-Net と呼ばれる自己監視型点群アップサンプリングネットワークを提案する。 本研究では,合成データと実データの両方について様々な実験を行い,最先端の教師付き手法と同等の性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-12-08T14:14:09Z)

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。