論文の概要: CP-VoteNet: Contrastive Prototypical VoteNet for Few-Shot Point Cloud Object Detection
- arxiv url: http://arxiv.org/abs/2408.17036v1
- Date: Fri, 30 Aug 2024 06:13:49 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-02 16:19:14.904870
- Title: CP-VoteNet: Contrastive Prototypical VoteNet for Few-Shot Point Cloud Object Detection
- Title（参考訳）: CP-VoteNet:Few-Shot Point Cloud Object Detectionのための対照的なプロトタイプVotetNet
- Authors: Xuejing Li, Weijia Zhang, Chao Ma,
- Abstract要約: ポイントクラウド3Dオブジェクト検出(FS3D)は、ポイントクラウドから新しいクラスのオブジェクトを特定しローカライズすることを目的としている。
コントラスト的セマンティクスマイニングを導入し、ネットワークが識別的分類的特徴を抽出できるようにする。
洗練された原始幾何学的構造を通して、基本クラスから新しいクラスへの特徴符号化の伝達性が著しく向上する。
- 参考スコア（独自算出の注目度）: 7.205000222081269
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Few-shot point cloud 3D object detection (FS3D) aims to identify and localise objects of novel classes from point clouds, using knowledge learnt from annotated base classes and novel classes with very few annotations. Thus far, this challenging task has been approached using prototype learning, but the performance remains far from satisfactory. We find that in existing methods, the prototypes are only loosely constrained and lack of fine-grained awareness of the semantic and geometrical correlation embedded within the point cloud space. To mitigate these issues, we propose to leverage the inherent contrastive relationship within the semantic and geometrical subspaces to learn more refined and generalisable prototypical representations. To this end, we first introduce contrastive semantics mining, which enables the network to extract discriminative categorical features by constructing positive and negative pairs within training batches. Meanwhile, since point features representing local patterns can be clustered into geometric components, we further propose to impose contrastive relationship at the primitive level. Through refined primitive geometric structures, the transferability of feature encoding from base to novel classes is significantly enhanced. The above designs and insights lead to our novel Contrastive Prototypical VoteNet (CP-VoteNet). Extensive experiments on two FS3D benchmarks FS-ScanNet and FS-SUNRGBD demonstrate that CP-VoteNet surpasses current state-of-the-art methods by considerable margins across different FS3D settings. Further ablation studies conducted corroborate the rationale and effectiveness of our designs.
- Abstract（参考訳）: Few-shot Point Cloud 3D Object Detection (FS3D) は、アノテーションのないアノテーション付きベースクラスや新しいクラスから学んだ知識を利用して、ポイントクラウドから新しいクラスのオブジェクトを識別し、ローカライズすることを目的としている。
これまでのところ、この挑戦的なタスクはプロトタイプ学習を使ってアプローチされてきたが、パフォーマンスは十分ではない。
既存の手法では、プロトタイプはゆるやかに制約されているだけであり、点クラウド空間に埋め込まれた意味的および幾何学的相関に関する微妙な認識が欠如していることが分かる。
これらの問題を緩和するために、意味的および幾何学的部分空間内の固有のコントラスト関係を利用して、より洗練され一般化可能な原型表現を学ぶことを提案する。
これにより,学習バッチ内に正と負のペアを構築することにより,ネットワークが識別的カテゴリの特徴を抽出することができる。
一方,局所パターンを表す点特徴は幾何学的成分にクラスタリングできるため,原始レベルでは対照的な関係を課すことも提案する。
洗練された原始幾何学的構造を通して、基本クラスから新しいクラスへの特徴符号化の伝達性が著しく向上する。
上記の設計と洞察は、我々の小説Contrastive Prototypeal VoteNet (CP-VoteNet)に繋がる。
2つのFS3Dベンチマーク FS-ScanNet と FS-SUNRGBD の広範な実験は、CP-VoteNet が現在の最先端の手法を、異なるFS3D設定でかなりの差で上回っていることを示している。
さらなるアブレーション研究は、我々の設計の合理性と有効性を裏付けるものである。
関連論文リスト
- Boosting Cross-Domain Point Classification via Distilling Relational Priors from 2D Transformers [59.0181939916084]
従来の3Dネットワークは主に局所幾何学的詳細に焦点を当て、局所幾何学間の位相構造を無視する。
そこで本稿では,大規模画像上においてよく訓練されたトランスフォーマーから前駆体を抽出する,新しい先駆体蒸留法を提案する。
PointDA-10とSim-to-Realデータセットの実験は、提案手法が点クラウド分類におけるUDAの最先端性能を一貫して達成していることを検証する。
論文 参考訳（メタデータ） (2024-07-26T06:29:09Z) - Prototypical VoteNet for Few-Shot 3D Point Cloud Object Detection [37.48935478836176]
VoteNetは、数発の3Dポイントクラウドオブジェクト検出アプローチである。
PVM(Prototypeal Vote Module)とPHM(Prototypeal Head Module)の2つの新しいモジュールが組み込まれている。
論文 参考訳（メタデータ） (2022-10-11T16:25:38Z) - GFNet: Geometric Flow Network for 3D Point Cloud Semantic Segmentation [91.15865862160088]
本稿では,異なるビュー間の幾何対応性を検討するための幾何フローネットワーク (GFNet) を提案する。
具体的には、異なる視点にまたがって補完情報を双方向に整列し、伝播する新しい幾何フローモジュール(GFM)を考案する。
論文 参考訳（メタデータ） (2022-07-06T11:48:08Z) - PointAttN: You Only Need Attention for Point Cloud Completion [89.88766317412052]
ポイント・クラウド・コンプリート(Point cloud completion)とは、部分的な3次元ポイント・クラウドから3次元の形状を完成させることである。
そこで我々は,kNNを除去するために,ポイントクラウドをポイント単位に処理する新しいニューラルネットワークを提案する。
提案するフレームワークであるPointAttNはシンプルで簡潔で効果的であり、3次元形状の構造情報を正確に捉えることができる。
論文 参考訳（メタデータ） (2022-03-16T09:20:01Z) - Background-Aware 3D Point Cloud Segmentationwith Dynamic Point Feature
Aggregation [12.093182949686781]
DPFA-Net(Dynamic Point Feature Aggregation Network)と呼ばれる新しい3Dポイント・クラウド・ラーニング・ネットワークを提案する。
DPFA-Netにはセマンティックセグメンテーションと3Dポイントクラウドの分類のための2つのバリエーションがある。
S3DISデータセットのセマンティックセグメンテーションのための、最先端の全体的な精度スコアを達成する。
論文 参考訳（メタデータ） (2021-11-14T05:46:05Z) - Learning point embedding for 3D data processing [2.12121796606941]
現在の点ベース法は本質的に空間関係処理ネットワークである。
PE-Netは高次元空間における点雲の表現を学習する。
実験によると、PE-Netは複数の挑戦的なデータセットで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2021-07-19T00:25:28Z) - Segmenting 3D Hybrid Scenes via Zero-Shot Learning [13.161136148641813]
この研究は、ゼロショット学習の枠組みの下で、3Dハイブリッドシーンのポイントクラウドセマンティックセマンティックセマンティクスの問題に取り組むことを目的としている。
本稿では、PFNetと呼ばれる、オブジェクトの様々なクラスに対するポイント特徴を、見えていないクラスと見えないクラスの両方のセマンティック特徴を利用して合成するネットワークを提案する。
提案したPFNet は点特徴を合成するために GAN アーキテクチャを用いており、新しい意味正規化器を適用することにより、目に見えるクラスと目に見えないクラスの特徴のセマンティックな関係が統合される。
本研究では,S3DISデータセットとScanNetデータセットを6つの異なるデータ分割で再編成し,アルゴリズム評価のための2つのベンチマークを提案する。
論文 参考訳（メタデータ） (2021-07-01T13:21:49Z) - PC-RGNN: Point Cloud Completion and Graph Neural Network for 3D Object
Detection [57.49788100647103]
LiDARベースの3Dオブジェクト検出は、自動運転にとって重要なタスクです。
現在のアプローチでは、遠方および閉ざされた物体の偏りと部分的な点雲に苦しむ。
本稿では,この課題を2つの解決法で解決する新しい二段階アプローチ,pc-rgnnを提案する。
論文 参考訳（メタデータ） (2020-12-18T18:06:43Z) - 3D Object Classification on Partial Point Clouds: A Practical
Perspective [91.81377258830703]
点雲は3次元オブジェクト分類において一般的な形状表現である。
本稿では,任意のポーズの下でオブジェクトインスタンスの部分点雲を分類する実践的な設定を提案する。
本稿では,アライメント分類手法による新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-12-18T04:00:56Z) - SSN: Shape Signature Networks for Multi-class Object Detection from
Point Clouds [96.51884187479585]
点雲から形状情報を探索する新しい3次元形状シグネチャを提案する。
対称, 凸船体, チェビシェフフィッティングの操作を取り入れることで, 提案した形状のシグ・ナチュアはコンパクトで有効であるだけでなく, 騒音にも頑健である。
実験により,提案手法は2つの大規模データセット上の既存手法よりも著しく優れた性能を示した。
論文 参考訳（メタデータ） (2020-04-06T16:01:41Z)
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。