Fugu-MT 論文翻訳(概要): GPT-based Textile Pilling Classification Using 3D Point Cloud Data

論文の概要: GPT-based Textile Pilling Classification Using 3D Point Cloud Data

arxiv url: http://arxiv.org/abs/2408.10496v1
Date: Tue, 20 Aug 2024 02:43:19 GMT
ステータス: 処理完了
システム内更新日: 2024-08-21 15:24:37.144890
Title: GPT-based Textile Pilling Classification Using 3D Point Cloud Data
Title（参考訳）: 3Dポイントクラウドデータを用いたGPTによる繊維ピリング分類
Authors: Yu Lu, YuYu Chen, Gang Zhou, Zhenghua Lan,
Abstract要約: 布の実際のテスト環境で数千の3Dポイントのクラウドイメージを収集し、それらをTextileNet8データセットとしてラベル付けします。 TextileNet8をベンチマークとして、提案したPointGPT+NNモデルは91.8%の総合精度(OA)、平均クラス毎の平均精度(mAcc)が92.2%であることを示した。
参考スコア（独自算出の注目度）: 6.876828671878707
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Textile pilling assessment is critical for textile quality control. We collect thousands of 3D point cloud images in the actual test environment of textiles and organize and label them as TextileNet8 dataset. To the best of our knowledge, it is the first publicly available eight-categories 3D point cloud dataset in the field of textile pilling assessment. Based on PointGPT, the GPT-like big model of point cloud analysis, we incorporate the global features of the input point cloud extracted from the non-parametric network into it, thus proposing the PointGPT+NN model. Using TextileNet8 as a benchmark, the experimental results show that the proposed PointGPT+NN model achieves an overall accuracy (OA) of 91.8% and a mean per-class accuracy (mAcc) of 92.2%. Test results on other publicly available datasets also validate the competitive performance of the proposed PointGPT+NN model. The proposed TextileNet8 dataset will be publicly available.
Abstract（参考訳）: 繊維品質管理には, 繊維のピリング評価が重要である。布の実際のテスト環境で数千の3Dポイントのクラウドイメージを収集し、それらをTextileNet8データセットとして整理し、ラベル付けします。私たちの知る限りでは、繊維のピリング評価分野における8つのカテゴリの3Dポイントクラウドデータセットとしては、これが初めて公開されています。ポイントクラウド解析のGPT型ビッグデータであるPointGPTをベースとして,非パラメトリックネットワークから抽出した入力ポイントクラウドのグローバルな特徴を取り入れ,PointGPT+NNモデルを提案する。 TextileNet8をベンチマークとして、提案したPointGPT+NNモデルは91.8%の総合精度(OA)、平均クラス毎の平均精度(mAcc)が92.2%であることを示した。他の公開データセットでの試験結果は、提案したPointGPT+NNモデルの競合性能も検証する。提案されているTextileNet8データセットが公開される。

関連論文リスト

Point-GN: A Non-Parametric Network Using Gaussian Positional Encoding for Point Cloud Classification [0.0]
Point-GNは、効率的で正確な3Dポイントクラウド分類のための新しい非パラメトリックネットワークである。我々は,ModelNet40とScanObjectNNの2つのベンチマークデータセット上でPoint-GNを評価し,それぞれ85.29%と85.89%の分類精度を達成した。
論文参考訳（メタデータ） (2024-12-04T06:20:51Z)
Parameter-Efficient Fine-Tuning in Spectral Domain for Point Cloud Learning [49.91297276176978]
私たちは小説を提案します。ポイントGST (Point GST) と呼ばれる点雲の効率的な微細調整法。ポイントGSTは事前トレーニングされたモデルを凍結し、スペクトル領域のパラメータを微調整するためのトレーニング可能なポイントクラウドスペクトルアダプタ(PCSA)を導入する。挑戦的なポイントクラウドデータセットに関する大規模な実験は、ポイントGSTが完全に微調整されたデータセットを上回るだけでなく、トレーニング可能なパラメータを大幅に削減することを示した。
論文参考訳（メタデータ） (2024-10-10T17:00:04Z)
PointRegGPT: Boosting 3D Point Cloud Registration using Generative Point-Cloud Pairs for Training [90.06520673092702]
生成点クラウドペアを用いた3Dポイントクラウドの登録をトレーニングのために促進するPointRegGPTを提案する。我々の知る限り、これは屋内のクラウド登録のためのリアルなデータ生成を探求する最初の生成的アプローチである。
論文参考訳（メタデータ） (2024-07-19T06:29:57Z)
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)
PointPatchMix: Point Cloud Mixing with Patch Scoring [58.58535918705736]
我々は、パッチレベルでポイントクラウドを混合し、混合ポイントクラウドのコンテンツベースターゲットを生成するPointPatchMixを提案する。パッチスコアリングモジュールは、事前学習した教師モデルから、コンテンツに基づく重要度スコアに基づいて目標を割り当てる。 Point-MAE をベースラインとして,ScanObjectNN では86.3%,ModelNet40 では94.1% の精度で,従来の手法をかなり上回りました。
論文参考訳（メタデータ） (2023-03-12T14:49:42Z)
Local Neighborhood Features for 3D Classification [7.081193814489042]
我々はPointNeXtモデルを再検討し、そのような近辺点の特徴の利用と利点について検討する。実際のデータセットを持つPointNeXtモデルでは、0.5%、1%、4.8%、3.4%、および1.6%の精度が得られます。
論文参考訳（メタデータ） (2022-12-09T22:53:40Z)
Keypoint-GraspNet: Keypoint-based 6-DoF Grasp Generation from the Monocular RGB-D input [6.1938383008964495]
提案手法であるKeypoint-GraspNetは、画像空間内のグリップキーポイントの投影を検出し、アルゴリズムを用いてポーズを復元する。定量的評価の結果,提案手法の精度,多様性,時間的コストの把握において,提案手法がベースラインを上回っていることが判明した。
論文参考訳（メタデータ） (2022-09-19T04:23:20Z)
SASA: Semantics-Augmented Set Abstraction for Point-based 3D Object Detection [78.90102636266276]
SASA(Semantics-Augmented Set Abstraction)と呼ばれる新しい集合抽象化手法を提案する。そこで本研究では, 推定点前景スコアに基づいて, より重要な前景点の維持を支援するセマンティックス誘導点サンプリングアルゴリズムを提案する。実際には、SASAは、前景オブジェクトに関連する貴重な点を識別し、ポイントベースの3D検出のための特徴学習を改善するのに有効である。
論文参考訳（メタデータ） (2022-01-06T08:54:47Z)
TANet++: Triple Attention Network with Filtered Pointcloud on 3D Detection [7.64943832687184]
TANetはKITTIおよびJRDBベンチマークにおける最先端の3Dオブジェクト検出手法の1つである。本稿では,TANet++による3次元検出の性能向上を提案する。弱いサンプルによる負の影響を減らすために、トレーニング戦略は以前トレーニングデータをフィルタリングし、TANet++は残りのデータによってトレーニングされる。
論文参考訳（メタデータ） (2021-06-26T16:56:35Z)
InfoFocus: 3D Object Detection for Autonomous Driving with Dynamic Information Modeling [65.47126868838836]
動的情報モデリングを用いた新しい3次元オブジェクト検出フレームワークを提案する。粗い予測は、ボクセルベースの領域提案ネットワークを介して第1段階で生成される。大規模なnuScenes 3D検出ベンチマークで実験を行った。
論文参考訳（メタデータ） (2020-07-16T18:27:08Z)
Airborne LiDAR Point Cloud Classification with Graph Attention Convolution Neural Network [5.69168146446103]
本稿では,空飛ぶLiDARにより得られる非構造化3次元点雲の分類に直接適用可能なグラフ注意畳み込みニューラルネットワーク(GACNN)を提案する。提案するグラフアテンション・コンボリューション・モジュールに基づいて,GACNNと呼ばれるエンド・ツー・エンドのエンコーダ・デコーダネットワークを設計し,ポイント・クラウドのマルチスケールな特徴を捉える。 ISPRS 3Dラベリングデータセットの実験では、提案モデルが平均F1スコア(71.5%)と全精度(83.2%)で新しい最先端性能を達成することが示された。
論文参考訳（メタデータ） (2020-04-20T05:12:31Z)

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。