論文の概要: Enhancing Sampling Protocol for Point Cloud Classification Against Corruptions
- arxiv url: http://arxiv.org/abs/2408.12062v2
- Date: Mon, 03 Feb 2025 08:43:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-04 16:07:21.791331
- Title: Enhancing Sampling Protocol for Point Cloud Classification Against Corruptions
- Title(参考訳): 故障に対するポイントクラウド分類のためのサンプリングプロトコルの強化
- Authors: Chongshou Li, Pin Tang, Xinke Li, Yuheng Liu, Tianrui Li,
- Abstract要約: 我々は,ポイントクラウドの破損に対するロバスト性を改善するために,ポイントSPという拡張されたポイントクラウドサンプリングプロトコルを提案する。
PointSPはキーポイント再重み付けを導入し、外部感度を緩和し、代表点の選択を確実にする。
また、スケーラブルで適応的なサンプリングを可能にする、局所的なバランスの取れたダウンサンプリング戦略も導入されている。
- 参考スコア(独自算出の注目度): 7.734037486455235
- License:
- Abstract: Established sampling protocols for 3D point cloud learning, such as Farthest Point Sampling (FPS) and Fixed Sample Size (FSS), have long been relied upon. However, real-world data often suffer from corruptions, such as sensor noise, which violates the benign data assumption in current protocols. As a result, these protocols are highly vulnerable to noise, posing significant safety risks in critical applications like autonomous driving. To address these issues, we propose an enhanced point cloud sampling protocol, PointSP, designed to improve robustness against point cloud corruptions. PointSP incorporates key point reweighting to mitigate outlier sensitivity and ensure the selection of representative points. It also introduces a local-global balanced downsampling strategy, which allows for scalable and adaptive sampling while maintaining geometric consistency. Additionally, a lightweight tangent plane interpolation method is used to preserve local geometry while enhancing the density of the point cloud. Unlike learning-based approaches that require additional model training, PointSP is architecture-agnostic, requiring no extra learning or modification to the network. This enables seamless integration into existing pipelines. Extensive experiments on synthetic and real-world corrupted datasets show that PointSP significantly improves the robustness and accuracy of point cloud classification, outperforming state-of-the-art methods across multiple benchmarks.
- Abstract(参考訳): Farthest Point Smpling (FPS) や Fixed Sample Size (FSS) など,3Dポイントによるクラウド学習のためのサンプリングプロトコルが確立されている。
しかし、現実世界のデータはしばしば、現在のプロトコルにおける良質なデータ前提に反するセンサノイズのような汚職に悩まされる。
その結果、これらのプロトコルはノイズに対して非常に脆弱であり、自律運転のような重要なアプリケーションにおいて重大な安全性のリスクを生じさせる。
これらの問題に対処するため、我々は、ポイントクラウドの破損に対する堅牢性を改善するために設計された、ポイントクラウドサンプリングプロトコルであるPointSPを提案する。
PointSPはキーポイント再重み付けを導入し、外部感度を緩和し、代表点の選択を確実にする。
また、局所的なバランスの取れたダウンサンプリング戦略を導入し、幾何的一貫性を維持しながらスケーラブルで適応的なサンプリングを可能にする。
さらに、点雲の密度を高めながら局所的幾何を保存するために、軽量な接面補間法を用いる。
追加のモデルトレーニングを必要とする学習ベースのアプローチとは異なり、PointSPはアーキテクチャに依存しない。
これにより、既存のパイプラインへのシームレスな統合が可能になる。
合成および実世界の破損したデータセットに対する大規模な実験により、PointSPはポイントクラウド分類の堅牢性と正確性を大幅に改善し、複数のベンチマークで最先端の手法より優れていることが示された。
関連論文リスト
- PointCFormer: a Relation-based Progressive Feature Extraction Network for Point Cloud Completion [19.503392612245474]
ポイントクラウドの完成は、不完全なポイントクラウドから完全な3D形状を再構築することを目的としている。
PointCFormerは,ロバストなグローバル保持と正確な局所的詳細キャプチャに最適化されたトランスフォーマーフレームワークである。
PointCFormerは、広く使用されているベンチマークで最先端のパフォーマンスを示す。
論文 参考訳(メタデータ) (2024-12-11T14:37:21Z) - Curvature Informed Furthest Point Sampling [0.0]
ファテスト点サンプリング(FPS)を強化する強化学習に基づくサンプリングアルゴリズムを提案する。
提案手法は,FPS由来のソフトランクと深部ニューラルネットワークによる曲率スコアを組み合わせることで,ポイントをランク付けする。
我々は,各特徴が性能に与える影響について,質的および定量的に考察した総合的アブレーション研究を提供する。
論文 参考訳(メタデータ) (2024-11-25T23:58:38Z) - PLATYPUS: Progressive Local Surface Estimator for Arbitrary-Scale Point Cloud Upsampling [7.967279361937874]
3Dポイントクラウドは、自動運転やロボティクスといったアプリケーションにとってますます重要になっている。
点雲のアップサンプリングは密度と均一性を改善するために不可欠である。
複雑な領域の局所的特徴をより効果的に捉えたプログレッシブ局所表面推定器(PLSE)を導入する。
論文 参考訳(メタデータ) (2024-11-01T07:56:56Z) - Arbitrary-Scale Point Cloud Upsampling by Voxel-Based Network with
Latent Geometric-Consistent Learning [52.825441454264585]
Voxel-based Network (textbfPU-VoxelNet) を用いた任意のスケールのクラウド・アップサンプリング・フレームワークを提案する。
ボクセル表現から継承された完全性と規則性により、ボクセルベースのネットワークは3次元表面を近似する事前定義されたグリッド空間を提供することができる。
密度誘導グリッド再サンプリング法を開発し、高忠実度点を生成するとともに、サンプリング出力を効果的に回避する。
論文 参考訳(メタデータ) (2024-03-08T07:31:14Z) - PIVOT-Net: Heterogeneous Point-Voxel-Tree-based Framework for Point
Cloud Compression [8.778300313732027]
異種クラウド圧縮(PCC)フレームワークを提案する。
私たちは、典型的なポイントクラウド表現 -- ポイントベース、ボクセルベース、ツリーベース表現 -- と関連するバックボーンを統一します。
本稿では,デコードのためのコンテキスト対応アップサンプリングと,機能集約のための拡張ボクセルトランスフォーマーによりフレームワークを増強する。
論文 参考訳(メタデータ) (2024-02-11T16:57:08Z) - Learning Continuous Implicit Field with Local Distance Indicator for
Arbitrary-Scale Point Cloud Upsampling [55.05706827963042]
点雲アップサンプリングは、疎点雲から密度が高く均一に分散した点集合を生成することを目的としている。
従来のメソッドは通常、スパースポイントクラウドをいくつかのローカルパッチ、アップサンプルパッチポイント、すべてのアップサンプルパッチにマージする。
そこで本研究では,点雲のアップサンプリングのために,局所的な先行者によって導かれる符号のない距離場を学習する手法を提案する。
論文 参考訳(メタデータ) (2023-12-23T01:52:14Z) - 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) - BIMS-PU: Bi-Directional and Multi-Scale Point Cloud Upsampling [60.257912103351394]
我々はBIMS-PUと呼ばれる新しいポイント・クラウド・アップサンプリング・パイプラインを開発した。
対象のサンプリング因子を小さな因子に分解することにより,アップ/ダウンサンプリング手順をいくつかのアップ/ダウンサンプリングサブステップに分解する。
提案手法は最先端手法よりも優れた結果が得られることを示す。
論文 参考訳(メタデータ) (2022-06-25T13:13:37Z) - PointLIE: Locally Invertible Embedding for Point Cloud Sampling and
Recovery [35.353458457283544]
ポイントクラウドサンプリングとリカバリ(PCSR)は、大規模なリアルタイムクラウド収集と処理に不可欠である。
ポイントクラウド適応型サンプリング・リカバリのためのローカル・インバータブル・エンベディング(PointLIE)を提案する。
PointLIEは、双方向学習を通じて、ポイントクラウドサンプリングと1つのフレームワークへのアップサンプリングを統一する。
論文 参考訳(メタデータ) (2021-04-30T05:55:59Z) - SPU-Net: Self-Supervised Point Cloud Upsampling by Coarse-to-Fine
Reconstruction with Self-Projection Optimization [52.20602782690776]
実際のスキャンされたスパースデータからトレーニング用の大規模なペアリングスパーススキャンポイントセットを得るのは高価で面倒です。
本研究では,SPU-Net と呼ばれる自己監視型点群アップサンプリングネットワークを提案する。
本研究では,合成データと実データの両方について様々な実験を行い,最先端の教師付き手法と同等の性能が得られることを示す。
論文 参考訳(メタデータ) (2020-12-08T14:14:09Z) - RPM-Net: Robust Point Matching using Learned Features [79.52112840465558]
RPM-Netは、より敏感で、より堅牢なディープラーニングベースのアプローチである。
既存の方法とは異なり、我々のRPM-Netは、部分的な可視性を備えた対応や点雲の欠如を処理します。
論文 参考訳(メタデータ) (2020-03-30T13:45:27Z)
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。