論文の概要: Local-consistent Transformation Learning for Rotation-invariant Point Cloud Analysis
- arxiv url: http://arxiv.org/abs/2403.11113v1
- Date: Sun, 17 Mar 2024 06:40:50 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-19 18:35:30.760127
- Title: Local-consistent Transformation Learning for Rotation-invariant Point Cloud Analysis
- Title（参考訳）: 回転不変点雲解析のための局所一貫性変換学習
- Authors: Yiyang Chen, Lunhao Duan, Shanshan Zhao, Changxing Ding, Dacheng Tao,
- Abstract要約: ポイント形状解析のための局所一貫性変換(LocoTrans)学習戦略を提案する。
まず、LRFにおける2つの軸の対称性を考慮し、LCRF(Local-Consistent Reference frame)を構築する。
整合性は局所的にのみ存在するため、相対的なポーズ情報はネットワークの中間層で失われる。
- 参考スコア（独自算出の注目度）: 61.04787144322498
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Rotation invariance is an important requirement for point shape analysis. To achieve this, current state-of-the-art methods attempt to construct the local rotation-invariant representation through learning or defining the local reference frame (LRF). Although efficient, these LRF-based methods suffer from perturbation of local geometric relations, resulting in suboptimal local rotation invariance. To alleviate this issue, we propose a Local-consistent Transformation (LocoTrans) learning strategy. Specifically, we first construct the local-consistent reference frame (LCRF) by considering the symmetry of the two axes in LRF. In comparison with previous LRFs, our LCRF is able to preserve local geometric relationships better through performing local-consistent transformation. However, as the consistency only exists in local regions, the relative pose information is still lost in the intermediate layers of the network. We mitigate such a relative pose issue by developing a relative pose recovery (RPR) module. RPR aims to restore the relative pose between adjacent transformed patches. Equipped with LCRF and RPR, our LocoTrans is capable of learning local-consistent transformation and preserving local geometry, which benefits rotation invariance learning. Competitive performance under arbitrary rotations on both shape classification and part segmentation tasks and ablations can demonstrate the effectiveness of our method. Code will be available publicly at https://github.com/wdttt/LocoTrans.
- Abstract（参考訳）: 回転不変性は点形状解析の重要な要件である。
これを実現するために、現在の最先端手法は、局所参照フレーム(LRF)を学習または定義することで局所回転不変表現を構築しようとする。
効率的ではあるが、これらのLRFベースの手法は局所幾何学的関係の摂動に悩まされ、最適準局所回転不変性が生じる。
この問題を軽減するために,ローカル一貫性変換(LocoTrans)学習戦略を提案する。
具体的には、まず、LRFにおける2つの軸の対称性を考慮し、局所一貫性参照フレーム(LCRF)を構築する。
LCRFは, 従来のLRFと比較して, 局所整合変換を行うことにより, 局所的幾何学的関係をよりよく保存することができる。
しかし、一貫性は局所的にのみ存在するため、ネットワークの中間層では相対的なポーズ情報が失われる。
我々は、相対的なポーズ回復(RPR)モジュールを開発することで、そのような相対的なポーズ問題を緩和する。
RPRは、隣接する変換パッチ間の相対的なポーズを復元することを目的としている。
LCRFとRPRが組み合わさったLocoTransは、局所一貫性の変換を学習し、局所幾何学を保存することができ、回転不変性学習の恩恵を受けることができる。
形状分類と部分分割タスクとアブレーションの両方における任意回転時の競合性能は,本手法の有効性を示すことができる。
コードはhttps://github.com/wdttt/LocoTransで公開されている。
関連論文リスト
- Equivariant Local Reference Frames for Unsupervised Non-rigid Point Cloud Shape Correspondence [29.58888279920068]
EquiShapeは空間的および意味的整合性の両方に大域的な構造的手がかりを持つペアワイズLRFを学習するための新しい構造である。
また,LRF法に適用可能な最適化手法であるLRF-Refineを提案する。
われわれのフレームワークは3つのベンチマークで最先端の手法をはるかに上回っている。
論文 参考訳（メタデータ） (2024-04-01T06:59:56Z) - Adaptive Spot-Guided Transformer for Consistent Local Feature Matching [64.30749838423922]
局所的特徴マッチングのための適応スポットガイド変換器(ASTR)を提案する。
ASTRは、統一された粗いアーキテクチャにおける局所的な一貫性とスケールのバリエーションをモデル化する。
論文 参考訳（メタデータ） (2023-03-29T12:28:01Z) - Rotation-Invariant Transformer for Point Cloud Matching [42.5714375149213]
我々は,回転不変変換器であるRoITrを導入し,点クラウドマッチングタスクにおけるポーズ変動に対処する。
本稿では,自己認識機構によって学習した,回転不変なクロスフレーム空間認識を備えたグローバルトランスフォーマーを提案する。
RoITrは、Inlier RatioとRegistration Recallの点で、既存のメソッドを少なくとも13と5のパーセンテージで上回っている。
論文 参考訳（メタデータ） (2023-03-14T20:55:27Z) - Learning to Localize in Unseen Scenes with Relative Pose Regressors [5.672132510411465]
相対的なポーズ回帰器(RPR)は、相対的な翻訳と回転をポーズラベル付き参照に推定することで、カメラをローカライズする。
しかし実際には、RPRのパフォーマンスは目に見えない場面で著しく劣化している。
我々は、結合、投影、注意操作(Transformer)によるアグリゲーションを実装し、結果として生じる潜在コードから相対的なポーズパラメータを回帰することを学ぶ。
現状のRCPと比較すると、室内および屋外のベンチマークにおいて、表示シーンにおける競合性能を維持しながら、見えない環境において、より優れたローカライズが期待できる。
論文 参考訳（メタデータ） (2023-03-05T17:12:50Z) - LCPFormer: Towards Effective 3D Point Cloud Analysis via Local Context
Propagation in Transformers [60.51925353387151]
本稿では,近隣地域間のメッセージパッシングを活用するために,LCP (Local Context Propagation) という新しいモジュールを提案する。
隣接するローカル領域の重複点を仲介として使用した後、異なるローカルリージョンからの共有ポイントの特徴を再重み付けし、その後、次のレイヤに渡す。
提案手法は, 異なるタスクに適用可能であり, 3次元形状分類や高密度予測タスクを含むベンチマークにおいて, 様々なトランスフォーマーベースの手法より優れる。
論文 参考訳（メタデータ） (2022-10-23T15:43:01Z) - Sparse Local Patch Transformer for Robust Face Alignment and Landmarks
Inherent Relation Learning [11.150290581561725]
固有関係を学習するためのスパース局所パッチ変換器(S)を提案する。
提案手法は計算量が少なくて最先端のレベルで機能する。
論文 参考訳（メタデータ） (2022-03-13T01:15:23Z) - Escaping Saddle Points with Bias-Variance Reduced Local Perturbed SGD
for Communication Efficient Nonconvex Distributed Learning [58.79085525115987]
ローカル手法は通信時間を短縮する有望なアプローチの1つである。
局所的データセットが局所的損失の滑らかさよりも小さい場合,通信の複雑さは非局所的手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-02-12T15:12:17Z) - LRC-Net: Learning Discriminative Features on Point Clouds by Encoding
Local Region Contexts [65.79931333193016]
本稿では,LRC-Net(Local-Region-Context Network)を提案する。
LRC-Netは、局所領域内および周辺領域間の微粒なコンテキストを同時に符号化する。
その結果, LRC-Netは形状分類や形状分割の応用において最先端の手法と競合することがわかった。
論文 参考訳（メタデータ） (2020-03-18T14:34:08Z) - A Rotation-Invariant Framework for Deep Point Cloud Analysis [132.91915346157018]
ネットワーク入力時に一般的な3次元カルト座標を置き換えるために,新しい低レベル純粋回転不変表現を導入する。
また,これらの表現を特徴に組み込むネットワークアーキテクチャを提案し,点とその近傍の局所的関係とグローバルな形状構造を符号化する。
本手法は, 形状分類, 部分分割, 形状検索を含む多点雲解析タスクにおいて評価する。
論文 参考訳（メタデータ） (2020-03-16T14:04:45Z)
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。