Fugu-MT 論文翻訳(概要): Classifying point clouds at the facade-level using geometric features and deep learning networks

論文の概要: Classifying point clouds at the facade-level using geometric features and deep learning networks

arxiv url: http://arxiv.org/abs/2402.06506v1
Date: Fri, 9 Feb 2024 16:14:30 GMT
ステータス: 処理完了
システム内更新日: 2024-02-12 16:14:49.438797
Title: Classifying point clouds at the facade-level using geometric features and deep learning networks
Title（参考訳）: 幾何学的特徴とディープラーニングネットワークを用いたファサードレベルの点雲の分類
Authors: Yue Tan, Olaf Wysocki, Ludwig Hoegner, Uwe Stilla
Abstract要約: ファサードレベルでポイントクラウドを分類することは、現実世界のデジタルレプリカを作成する上で鍵となる。本研究では,ファサードレベルでの点雲分類のために,幾何学的特徴を深層学習ネットワークに融合させる手法を提案する。
参考スコア（独自算出の注目度）: 7.272181023476306
License: http://creativecommons.org/licenses/by/4.0/
Abstract: 3D building models with facade details are playing an important role in many applications now. Classifying point clouds at facade-level is key to create such digital replicas of the real world. However, few studies have focused on such detailed classification with deep neural networks. We propose a method fusing geometric features with deep learning networks for point cloud classification at facade-level. Our experiments conclude that such early-fused features improve deep learning methods' performance. This method can be applied for compensating deep learning networks' ability in capturing local geometric information and promoting the advancement of semantic segmentation.
Abstract（参考訳）: facadeの詳細を備えた3dビルディングモデルは、現在多くのアプリケーションで重要な役割を果たす。ファサードレベルでポイントクラウドを分類することは、現実世界のデジタルレプリカを作成する上で鍵となる。しかし、ディープニューラルネットワークの詳細な分類に焦点を当てた研究は少ない。本稿では,ファサードレベルでのポイントクラウド分類のための深層学習ネットワークと幾何学的特徴を融合する手法を提案する。実験の結果,これらの特徴が深層学習法の性能を向上させることがわかった。本手法は,局所的な幾何学的情報を取得する深層学習ネットワークの能力を補正し,セマンティックセグメンテーションの促進に有効である。

関連論文リスト

Point Cloud Compression with Implicit Neural Representations: A Unified Framework [54.119415852585306]
我々は幾何学と属性の両方を扱える先駆的なクラウド圧縮フレームワークを提案する。本フレームワークでは,2つの座標ベースニューラルネットワークを用いて,voxelized point cloudを暗黙的に表現する。本手法は,既存の学習手法と比較して,高い普遍性を示す。
論文参考訳（メタデータ） (2024-05-19T09:19:40Z)
On The Potential of The Fractal Geometry and The CNNs Ability to Encode it [1.7311053765541484]
フラクタル次元は、物体の複雑さの統計指標を提供する。いくつかの分類タスクでは有用であるが、フラクタル次元は深層学習アプリケーションでは未探索である。フラクタル特性の浅いネットワークをトレーニングすることで、生データでトレーニングしたディープネットワークに匹敵する性能が得られることを示す。
論文参考訳（メタデータ） (2024-01-07T15:22:56Z)
Understanding Deep Representation Learning via Layerwise Feature Compression and Discrimination [33.273226655730326]
深層線形ネットワークの各層は、幾何速度でクラス内特徴を徐々に圧縮し、線形速度でクラス間特徴を識別することを示す。これは、ディープ線形ネットワークの階層的表現における特徴進化の最初の定量的評価である。
論文参考訳（メタデータ） (2023-11-06T09:00:38Z)
Edge Aware Learning for 3D Point Cloud [8.12405696290333]
本稿では,階層型エッジ対応3Dポイントクラウドラーニング(HEA-Net)における革新的なアプローチを提案する。ポイントクラウドデータにおけるノイズの課題に対処し、エッジ機能に注目してオブジェクト認識とセグメンテーションを改善することを目指している。我々は,ポイントクラウドの分類とセグメンテーションを強化するために,革新的なエッジアウェアラーニング手法を提案する。
論文参考訳（メタデータ） (2023-09-23T20:12:32Z)
A Survey of Label-Efficient Deep Learning for 3D Point Clouds [109.07889215814589]
本稿では,点雲のラベル効率学習に関する包括的調査を行う。本稿では,ラベルの種類によって提供されるデータ前提条件に基づいて,ラベル効率のよい学習手法を整理する分類法を提案する。それぞれのアプローチについて、問題設定の概要と、関連する進展と課題を示す広範な文献レビューを提供する。
論文参考訳（メタデータ） (2023-05-31T12:54:51Z)
Provable Guarantees for Nonlinear Feature Learning in Three-Layer Neural Networks [49.808194368781095]
3層ニューラルネットワークは,2層ネットワークよりも特徴学習能力が豊富であることを示す。この研究は、特徴学習体制における2層ネットワーク上の3層ニューラルネットワークの証明可能なメリットを理解するための前進である。
論文参考訳（メタデータ） (2023-05-11T17:19:30Z)
Localized Persistent Homologies for more Effective Deep Learning [60.78456721890412]
ネットワークトレーニング中の位置を考慮に入れた新しいフィルタ機能を利用する手法を提案する。この方法で訓練されたネットワークが抽出した曲線構造のトポロジを回復するのに役立つ道路の2次元画像と神経過程の3次元画像スタックを実験的に実証した。
論文参考訳（メタデータ） (2021-10-12T19:28:39Z)
Point Discriminative Learning for Unsupervised Representation Learning on 3D Point Clouds [54.31515001741987]
3次元点雲上での教師なし表現学習のための点識別学習法を提案する。我々は、中間レベルとグローバルレベルの特徴に新しい点識別損失を課すことにより、これを達成した。提案手法は強力な表現を学習し,新しい最先端性能を実現する。
論文参考訳（メタデータ） (2021-08-04T15:11:48Z)
A Comprehensive Survey on Community Detection with Deep Learning [93.40332347374712]
コミュニティは、ネットワーク内の他のコミュニティと異なるメンバーの特徴と接続を明らかにする。この調査は、最先端の手法の様々なカテゴリをカバーする新しい分類法を考案し、提案する。ディープニューラルネットワーク(Deep Neural Network)は、畳み込みネットワーク(convolutional network)、グラフアテンションネットワーク( graph attention network)、生成的敵ネットワーク(generative adversarial network)、オートエンコーダ(autoencoder)に分けられる。
論文参考訳（メタデータ） (2021-05-26T14:37:07Z)
A Layer-Wise Information Reinforcement Approach to Improve Learning in Deep Belief Networks [0.4893345190925178]
本稿では,情報強化層を層単位で検討し,特徴抽出と知識保持を改善するResidual Deep Belief Networkを提案する。 3つの公開データセットで実施した実験は、バイナリイメージ分類のタスクに関する堅牢性を示している。
論文参考訳（メタデータ） (2021-01-17T18:53:18Z)
Introducing Fuzzy Layers for Deep Learning [5.209583609264815]
ディープラーニングにはファジィレイヤという,新たなレイヤを導入しています。従来、ニューラルネットワークのネットワークアーキテクチャは、入力層、隠された層の組み合わせ、出力層から構成されていた。本稿では,ファジィ手法によって表現される強力な集約特性を活用するために,ファジィ層をディープラーニングアーキテクチャに導入することを提案する。
論文参考訳（メタデータ） (2020-02-21T19:33:30Z)

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。