Fugu-MT 論文翻訳(概要): Region-Transformer: Self-Attention Region Based Class-Agnostic Point Cloud Segmentation

論文の概要: Region-Transformer: Self-Attention Region Based Class-Agnostic Point Cloud Segmentation

arxiv url: http://arxiv.org/abs/2403.01407v1
Date: Sun, 3 Mar 2024 06:13:43 GMT
ステータス: 処理完了
システム内更新日: 2024-03-06 21:35:52.073386
Title: Region-Transformer: Self-Attention Region Based Class-Agnostic Point Cloud Segmentation
Title（参考訳）: region-transformer: セルフアテンションリージョンベースのクラス非依存なポイントクラウドセグメンテーション
Authors: Dipesh Gyawali, Jian Zhang, BB Karki
Abstract要約: そこで我々は,クラス非依存の点雲分割のための領域変換器と呼ばれる領域変換器モデルを提案する。このモデルは、領域を反復的に拡大または縮小するために、領域成長アプローチと自己保持機構を利用する。 Region-Transformerモデルは、ロボット工学、デジタルツインニング、自動運転車などの応用で柔軟なポイントクラウドセグメンテーションを実現するための有望なアプローチである。
参考スコア（独自算出の注目度）: 4.435186990319961
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Point cloud segmentation, which helps us understand the environment of specific structures and objects, can be performed in class-specific and class-agnostic ways. We propose a novel region-based transformer model called Region-Transformer for performing class-agnostic point cloud segmentation. The model utilizes a region-growth approach and self-attention mechanism to iteratively expand or contract a region by adding or removing points. It is trained on simulated point clouds with instance labels only, avoiding semantic labels. Attention-based networks have succeeded in many previous methods of performing point cloud segmentation. However, a region-growth approach with attention-based networks has yet to be used to explore its performance gain. To our knowledge, we are the first to use a self-attention mechanism in a region-growth approach. With the introduction of self-attention to region-growth that can utilize local contextual information of neighborhood points, our experiments demonstrate that the Region-Transformer model outperforms previous class-agnostic and class-specific methods on indoor datasets regarding clustering metrics. The model generalizes well to large-scale scenes. Key advantages include capturing long-range dependencies through self-attention, avoiding the need for semantic labels during training, and applicability to a variable number of objects. The Region-Transformer model represents a promising approach for flexible point cloud segmentation with applications in robotics, digital twinning, and autonomous vehicles.
Abstract（参考訳）: 特定の構造やオブジェクトの環境を理解するのに役立つポイントクラウドセグメンテーションは、クラス固有の、クラスに依存しない方法で実行できます。本稿では,クラス非依存なポイントクラウドセグメンテーションを行うための,リージョントランスフォーマと呼ばれる新しい領域ベーストランスフォーマモデルを提案する。このモデルは、地域成長アプローチと自己認識機構を利用して、ポイントの追加や削除によって、地域を反復的に拡大または縮小する。インスタンスラベルのみのシミュレーションポイントクラウドでトレーニングされており、セマンティックラベルは避けられている。注意に基づくネットワークは、ポイントクラウドセグメンテーションを実行する多くの手法で成功している。しかし、注意に基づくネットワークによる地域成長アプローチは、そのパフォーマンス向上を探求するためにはまだ使われていない。私たちの知る限りでは、私たちは最初に、地域成長アプローチで自己認識メカニズムを使用します。近傍点の局所的文脈情報を活用可能な領域成長への自己注意の導入により,地域変換モデルが,屋内データセットにおけるクラスタリングメトリクスに関する従来のクラス非依存およびクラス固有の手法よりも優れていることを実証する。モデルは大規模なシーンによく当てはまる。主な利点は、自己注意による長距離依存関係のキャプチャ、トレーニング中のセマンティックラベルの必要性回避、さまざまなオブジェクトの適用性である。 Region-Transformerモデルは、ロボット工学、デジタルツインニング、自動運転車などの応用で柔軟なポイントクラウドセグメンテーションを実現するための有望なアプローチである。

関連論文リスト

InvariantOODG: Learning Invariant Features of Point Clouds for Out-of-Distribution Generalization [17.96808017359983]
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。
論文参考訳（メタデータ） (2024-01-08T09:41:22Z)
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)
Collect-and-Distribute Transformer for 3D Point Cloud Analysis [82.03517861433849]
本稿では,点雲の短距離・長距離コンテキストを通信するための収集・分散機構を備えた新しい変圧器ネットワークを提案する。その結果,提案したCDFormerの有効性が示され,ポイントクラウドの分類とセグメンテーションタスクにおける最先端のパフォーマンスがいくつか提供された。
論文参考訳（メタデータ） (2023-06-02T03:48:45Z)
Self-positioning Point-based Transformer for Point Cloud Understanding [18.394318824968263]
セルフポジショニングポイントベースのトランスフォーマー(SPoTr)は、局所的およびグローバルな形状のコンテキストを複雑さを減らしてキャプチャするように設計されている。 SPoTrは、ScanObjectNNを用いた形状分類における以前の最良のモデルよりも精度が2.6%向上している。
論文参考訳（メタデータ） (2023-03-29T04:27:11Z)
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)
CloudAttention: Efficient Multi-Scale Attention Scheme For 3D Point Cloud Learning [81.85951026033787]
この作業にトランスフォーマーをセットし、それらを形状分類と部分およびシーンセグメンテーションのための階層的なフレームワークに組み込む。また、各イテレーションにおけるサンプリングとグループ化を活用して、効率的でダイナミックなグローバルなクロスアテンションを計算します。提案した階層モデルは,最先端の形状分類を平均精度で達成し,従来のセグメンテーション法と同等の結果を得る。
論文参考訳（メタデータ） (2022-07-31T21:39:15Z)
SemAffiNet: Semantic-Affine Transformation for Point Cloud Segmentation [94.11915008006483]
ポイントクラウドセマンティックセグメンテーションのためのSemAffiNetを提案する。我々はScanNetV2とNYUv2データセットについて広範な実験を行った。
論文参考訳（メタデータ） (2022-05-26T17:00:23Z)
LRGNet: Learnable Region Growing for Class-Agnostic Point Cloud Segmentation [19.915593390338337]
本研究は,クラス非依存のクラウドセグメンテーションのための学習可能な領域成長手法を提案する。提案手法は, 物体の形状や大きさを仮定することなく, 単一の深層ニューラルネットワークを用いて任意のクラスを分割することができる。
論文参考訳（メタデータ） (2021-03-16T15:58:01Z)
SceneEncoder: Scene-Aware Semantic Segmentation of Point Clouds with A Learnable Scene Descriptor [51.298760338410624]
本研究では,グローバル情報の効果を高めるために,シーン認識型ガイダンスを付加するSceneEncoderモジュールを提案する。モジュールはシーン記述子を予測し、シーンに存在するオブジェクトのカテゴリを表現することを学習する。また,同じラベルを持つ隣接点に対する特徴の識別を伝搬する領域類似度損失を設計する。
論文参考訳（メタデータ） (2020-01-24T16:53:30Z)

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。

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。