論文の概要: PointGL: A Simple Global-Local Framework for Efficient Point Cloud Analysis

• arxiv url: http://arxiv.org/abs/2401.11650v1
• Date: Mon, 22 Jan 2024 02:05:33 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-23 15:20:17.146331
• Title: PointGL: A Simple Global-Local Framework for Efficient Point Cloud Analysis
• Title（参考訳）: pointgl:効率的なポイントクラウド分析のためのシンプルなグローバルローカルフレームワーク
• Authors: Jianan Li, Jie Wang, Tingfa Xu
• Abstract要約: 我々は、効率的なポイントクラウド分析を容易にするために、PointGLとして知られる、新しく、複雑で、かつ強力なアーキテクチャを導入します。 一点埋め込みとパラメータフリーグラフプーリングの融合は、PointGLが定義するモデル複雑性の最小化と効率の向上に寄与する。 私たちのPointGLは、ScanObjectNNデータセットの最先端の精度を達成しつつ、5倍以上高速で、FLOPの約4%と、最近のPointMLPモデルと比較して30%のパラメータしか利用できないランタイムを示しています。
• 参考スコア（独自算出の注目度）: 19.163081544030547
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Efficient analysis of point clouds holds paramount significance in real-world 3D applications. Currently, prevailing point-based models adhere to the PointNet++ methodology, which involves embedding and abstracting point features within a sequence of spatially overlapping local point sets, resulting in noticeable computational redundancy. Drawing inspiration from the streamlined paradigm of pixel embedding followed by regional pooling in Convolutional Neural Networks (CNNs), we introduce a novel, uncomplicated yet potent architecture known as PointGL, crafted to facilitate efficient point cloud analysis. PointGL employs a hierarchical process of feature acquisition through two recursive steps. First, the Global Point Embedding leverages straightforward residual Multilayer Perceptrons (MLPs) to effectuate feature embedding for each individual point. Second, the novel Local Graph Pooling technique characterizes point-to-point relationships and abstracts regional representations through succinct local graphs. The harmonious fusion of one-time point embedding and parameter-free graph pooling contributes to PointGL's defining attributes of minimized model complexity and heightened efficiency. Our PointGL attains state-of-the-art accuracy on the ScanObjectNN dataset while exhibiting a runtime that is more than 5 times faster and utilizing only approximately 4% of the FLOPs and 30% of the parameters compared to the recent PointMLP model. The code for PointGL is available at https://github.com/Roywangj/PointGL.
• Abstract（参考訳）: 点雲の効率的な解析は、現実世界の3Dアプリケーションにおいて最重要となる。 現在、一般的なポイントベースモデルは、空間的に重複する局所的な点集合の列にポイント特徴を埋め込んで抽象化するPointNet++の方法論に準拠している。 CNN(Convolutional Neural Networks)の領域プーリングに続き、ピクセル埋め込みの合理化パラダイムからインスピレーションを得て、ポイントGLとして知られる新しい、複雑でない、かつ強力なアーキテクチャを導入し、効率的なポイントクラウド分析を容易にする。 pointglは2つの再帰的なステップを通じて機能獲得の階層的プロセスを採用している。 まず、Global Point Embeddingは、単純な残留多層パーセプトロン(MLP)を利用して各点に対する特徴埋め込みをエフェクチュレートする。 第2に,新しい局所グラフプーリング手法は点間関係を特徴付け,簡潔な局所グラフを通じて局所表現を抽象化する。 一点埋め込みとパラメータフリーグラフプーリングの調和した融合は、PointGLが定義するモデル複雑性の最小化と効率の向上に寄与する。 私たちのPointGLは、ScanObjectNNデータセットの最先端の精度を達成しつつ、5倍以上高速で、FLOPの約4%と、最近のPointMLPモデルと比較して30%のパラメータしか利用できないランタイムを示しています。 PointGLのコードはhttps://github.com/Roywangj/PointGLで公開されている。

関連論文リスト

• Point Deformable Network with Enhanced Normal Embedding for Point Cloud Analysis [59.12922158979068]
  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。
  論文  参考訳（メタデータ） (2023-12-20T14:52:07Z)
• Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud Analysis [66.49788145564004]
  我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。 我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
  論文  参考訳（メタデータ） (2022-12-17T15:05:25Z)
• PointNorm: Dual Normalization is All You Need for Point Cloud Analysis [0.7971699294672281]
  サンプリンググループ化作業の後に新しいDualNormモジュールを導入し,不規則性問題に効果的かつ効率的に対処する。 デュアルノーム加群は、サンプリングされた点に対する群点の正規化を行う点正規化と、サンプリングされた点からグループ化された点への逆点正規化からなる。
  論文  参考訳（メタデータ） (2022-07-13T16:24:47Z)
• 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)
• 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)
• Learning Semantic Segmentation of Large-Scale Point Clouds with Random Sampling [52.464516118826765]
  我々はRandLA-Netを紹介した。RandLA-Netは、大規模ポイントクラウドのポイントごとの意味を推論する、効率的で軽量なニューラルネットワークアーキテクチャである。 我々のアプローチの鍵は、より複雑な点選択アプローチではなく、ランダムな点サンプリングを使用することである。 我々のRandLA-Netは、既存のアプローチよりも最大200倍高速な1回のパスで100万ポイントを処理できます。
  論文  参考訳（メタデータ） (2021-07-06T05:08:34Z)
• Efficient 3D Point Cloud Feature Learning for Large-Scale Place Recognition [21.818744369503197]
  視覚的位置認識のためのグローバルディスクリプタを構築するために,効率的なポイントクラウド学習ネットワーク(EPC-Net)を開発した。 提案手法は,フレームあたりのパラメータ,FLOP,ランタイムを低減して,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2021-01-07T05:15:31Z)
• PC-RGNN: Point Cloud Completion and Graph Neural Network for 3D Object Detection [57.49788100647103]
  LiDARベースの3Dオブジェクト検出は、自動運転にとって重要なタスクです。 現在のアプローチでは、遠方および閉ざされた物体の偏りと部分的な点雲に苦しむ。 本稿では,この課題を2つの解決法で解決する新しい二段階アプローチ,pc-rgnnを提案する。
  論文  参考訳（メタデータ） (2020-12-18T18:06:43Z)
• 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)
• Local Grid Rendering Networks for 3D Object Detection in Point Clouds [98.02655863113154]
  CNNは強力だが、全点の雲を高密度の3Dグリッドに酸化した後、点データに直接畳み込みを適用するのは計算コストがかかる。 入力点のサブセットの小さな近傍を低解像度の3Dグリッドに独立してレンダリングする,新しい,原理化されたローカルグリッドレンダリング(LGR)演算を提案する。 ScanNetとSUN RGB-Dデータセットを用いた3次元オブジェクト検出のためのLGR-Netを検証する。
  論文  参考訳（メタデータ） (2020-07-04T13:57:43Z)

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。