Fugu-MT 論文翻訳(概要): InvariantOODG: Learning Invariant Features of Point Clouds for Out-of-Distribution Generalization

論文の概要: InvariantOODG: Learning Invariant Features of Point Clouds for Out-of-Distribution Generalization

arxiv url: http://arxiv.org/abs/2401.03765v1
Date: Mon, 8 Jan 2024 09:41:22 GMT
ステータス: 処理完了
システム内更新日: 2024-01-09 17:13:22.015032
Title: InvariantOODG: Learning Invariant Features of Point Clouds for Out-of-Distribution Generalization
Title（参考訳）: InvariantOODG:out-of-distribution Generalizationのための点雲の不変性学習
Authors: Zhimin Zhang, Xiang Gao, Wei Hu
Abstract要約: 本稿では,異なる分布を持つ点雲間の不変性を学習するInvariantOODGを提案する。学習可能なアンカーポイントの集合を定義し、最も有用な局所領域と入力点の雲を増大させる2種類の変換を定義する。実験により,提案モデルが3次元領域一般化ベンチマークに与える影響を実証した。
参考スコア（独自算出の注目度）: 17.96808017359983
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The convenience of 3D sensors has led to an increase in the use of 3D point clouds in various applications. However, the differences in acquisition devices or scenarios lead to divergence in the data distribution of point clouds, which requires good generalization of point cloud representation learning methods. While most previous methods rely on domain adaptation, which involves fine-tuning pre-trained models on target domain data, this may not always be feasible in real-world scenarios where target domain data may be unavailable. To address this issue, we propose InvariantOODG, which learns invariability between point clouds with different distributions using a two-branch network to extract local-to-global features from original and augmented point clouds. Specifically, to enhance local feature learning of point clouds, we define a set of learnable anchor points that locate the most useful local regions and two types of transformations to augment the input point clouds. The experimental results demonstrate the effectiveness of the proposed model on 3D domain generalization benchmarks.
Abstract（参考訳）: 3Dセンサの利便性は、様々なアプリケーションにおける3Dポイントクラウドの利用の増加につながっている。しかしながら、取得デバイスやシナリオの違いは、ポイントクラウドのデータ分散の多様化につながり、ポイントクラウド表現学習方法を適切に一般化する必要がある。従来のほとんどのメソッドは、ターゲットのドメインデータに事前トレーニングされたモデルを微調整するドメイン適応に依存していたが、ターゲットのドメインデータが利用できない現実のシナリオでは、必ずしも実現不可能であるとは限らない。この問題に対処するために,二分岐ネットワークを用いて,異なる分布を持つ点群間の不変性を学び,原点群と拡張点群から局所的・グローバル的特徴を抽出するinvariantoodgを提案する。具体的には,ポイントクラウドの局所的特徴学習を強化するために,最も有用なローカル領域と,入力ポイントクラウドを増強する2種類の変換を探索可能なアンカーポイントの集合を定義する。実験結果は,3次元領域一般化ベンチマークにおける提案モデルの有効性を示す。

関連論文リスト

Boosting Cross-Domain Point Classification via Distilling Relational Priors from 2D Transformers [59.0181939916084]
従来の3Dネットワークは主に局所幾何学的詳細に焦点を当て、局所幾何学間の位相構造を無視する。そこで本稿では,大規模画像上においてよく訓練されたトランスフォーマーから前駆体を抽出する,新しい先駆体蒸留法を提案する。 PointDA-10とSim-to-Realデータセットの実験は、提案手法が点クラウド分類におけるUDAの最先端性能を一貫して達成していることを検証する。
論文参考訳（メタデータ） (2024-07-26T06:29:09Z)
CloudFixer: Test-Time Adaptation for 3D Point Clouds via Diffusion-Guided Geometric Transformation [33.07886526437753]
実世界のセンサーから捉えた3Dポイントの雲は、様々な障害物のためにしばしばノイズの多い点を包含する。これらの課題は、クリーンポイントクラウドでトレーニングされたトレーニング済みのポイントクラウド認識モデルのデプロイを妨げる。本研究では,3次元点雲に適したテスト時間入力適応法であるCloudFixerを提案する。
論文参考訳（メタデータ） (2024-07-23T05:35:04Z)
PIVOT-Net: Heterogeneous Point-Voxel-Tree-based Framework for Point Cloud Compression [8.778300313732027]
異種クラウド圧縮(PCC)フレームワークを提案する。私たちは、典型的なポイントクラウド表現 -- ポイントベース、ボクセルベース、ツリーベース表現 -- と関連するバックボーンを統一します。本稿では,デコードのためのコンテキスト対応アップサンプリングと,機能集約のための拡張ボクセルトランスフォーマーによりフレームワークを増強する。
論文参考訳（メタデータ） (2024-02-11T16:57:08Z)
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)
Compositional Semantic Mix for Domain Adaptation in Point Cloud Segmentation [65.78246406460305]
合成意味混合は、ポイントクラウドセグメンテーションのための最初の教師なし領域適応技術である。本稿では、ソースドメイン(例えば合成)からの点雲とターゲットドメイン(例えば実世界)からの点雲を同時に処理できる2分岐対称ネットワークアーキテクチャを提案する。
論文参考訳（メタデータ） (2023-08-28T14:43:36Z)
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)
Irregular Change Detection in Sparse Bi-Temporal Point Clouds using Learned Place Recognition Descriptors and Point-to-Voxel Comparison [0.0]
本稿では3次元点雲における変化検出のための革新的なアプローチを提案する。深層学習位置認識記述子とボクセル対ポイント比較に基づく不規則物体抽出を用いる。提案手法は実世界の実地実験で評価された。
論文参考訳（メタデータ） (2023-06-27T12:22:25Z)
Point-Syn2Real: Semi-Supervised Synthetic-to-Real Cross-Domain Learning for Object Classification in 3D Point Clouds [14.056949618464394]
LiDAR 3Dポイントクラウドデータを用いたオブジェクト分類は、自律運転のような現代的なアプリケーションにとって重要である。本稿では,ポイントクラウドのマニュアルアノテーションに依存しない半教師付きクロスドメイン学習手法を提案する。我々は、ポイントクラウド上でのクロスドメイン学習のための新しいベンチマークデータセットであるPoint-Syn2Realを紹介した。
論文参考訳（メタデータ） (2022-10-31T01:53:51Z)
AGO-Net: Association-Guided 3D Point Cloud Object Detection Network [86.10213302724085]
ドメイン適応によるオブジェクトの無傷な特徴を関連付ける新しい3D検出フレームワークを提案する。我々は,KITTIの3D検出ベンチマークにおいて,精度と速度の両面で最新の性能を実現する。
論文参考訳（メタデータ） (2022-08-24T16:54:38Z)
Dual Adaptive Transformations for Weakly Supervised Point Cloud Segmentation [78.6612285236938]
弱制御点雲分割のための新しいDATモデル(textbfDual textbfAdaptive textbfTransformations)を提案する。我々は,大規模S3DISデータセットとScanNet-V2データセットの2つの人気バックボーンを用いたDATモデルの評価を行った。
論文参考訳（メタデータ） (2022-07-19T05:43:14Z)
ODFNet: Using orientation distribution functions to characterize 3D point clouds [0.0]
点まわりの点配向分布を利用して、点群の表現力のある局所近傍表現を得ます。新しい ODFNet モデルは ModelNet40 と ScanObjectNN データセットのオブジェクト分類における最先端の精度を実現する。
論文参考訳（メタデータ） (2020-12-08T19:54:20Z)

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。