Fugu-MT 論文翻訳(概要): Hyperbolic Image-and-Pointcloud Contrastive Learning for 3D Classification

論文の概要: Hyperbolic Image-and-Pointcloud Contrastive Learning for 3D Classification

arxiv url: http://arxiv.org/abs/2409.15810v1
Date: Tue, 24 Sep 2024 07:13:37 GMT
ステータス: 処理完了
システム内更新日: 2024-09-26 08:41:18.854739
Title: Hyperbolic Image-and-Pointcloud Contrastive Learning for 3D Classification
Title（参考訳）: 3次元分類のためのハイパーボリック・イメージ・アンド・ポイントクラウドコントラスト学習
Authors: Naiwen Hu, Haozhe Cheng, Yifan Xie, Pengcheng Shi, Jihua Zhu,
Abstract要約: 双曲型画像・ポイントクラウドコントラスト学習法(HyperIPC)を提案する。モジュラー内分岐に対しては、点雲の双曲的埋め込み表現を探索するために、本質的な幾何学的構造に依存する。クロスモーダルブランチでは、画像を利用してポイントクラウドをガイドし、強力なセマンティック階層的相関を確立する。
参考スコア（独自算出の注目度）: 14.439996427728483
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: 3D contrastive representation learning has exhibited remarkable efficacy across various downstream tasks. However, existing contrastive learning paradigms based on cosine similarity fail to deeply explore the potential intra-modal hierarchical and cross-modal semantic correlations about multi-modal data in Euclidean space. In response, we seek solutions in hyperbolic space and propose a hyperbolic image-and-pointcloud contrastive learning method (HyperIPC). For the intra-modal branch, we rely on the intrinsic geometric structure to explore the hyperbolic embedding representation of point cloud to capture invariant features. For the cross-modal branch, we leverage images to guide the point cloud in establishing strong semantic hierarchical correlations. Empirical experiments underscore the outstanding classification performance of HyperIPC. Notably, HyperIPC enhances object classification results by 2.8% and few-shot classification outcomes by 5.9% on ScanObjectNN compared to the baseline. Furthermore, ablation studies and confirmatory testing validate the rationality of HyperIPC's parameter settings and the effectiveness of its submodules.
Abstract（参考訳）: 3次元コントラスト表現学習は様々な下流課題において顕著な効果を示した。しかし、コサイン類似性に基づく既存のコントラスト学習パラダイムは、ユークリッド空間におけるマルチモーダルデータに関するモダル内階層的およびクロスモーダル意味的相関を深く探求することができない。そこで我々は,双曲的空間における解を求めるとともに,双曲的画像・ポイントクラウドコントラスト学習法(HyperIPC)を提案する。モジュラー内分岐に対しては、不変な特徴を捉えるために点雲の双曲的埋め込み表現を探索するために、本質的な幾何学的構造に依存する。クロスモーダルブランチでは、画像を利用してポイントクラウドをガイドし、強力なセマンティック階層的相関を確立する。 HyperIPCの優れた分類性能を実証実験で評価した。特にHyperIPCは、ベースラインと比較してオブジェクト分類結果を2.8%向上し、ScanObjectNNでは5.9%向上した。さらに,ハイパーIPCのパラメータ設定の合理性とサブモジュールの有効性を検証する。

関連論文リスト

Hyperbolic Delaunay Geometric Alignment [52.835250875177756]
双曲空間におけるデータセットの比較のための類似度スコアを提案する。中心となる考え方は、与えられた集合をまたいだデータポイントを接続する双曲デラウネーグラフのエッジを数えることである。人工および実生活の生物学的データに関する実証的研究を行い、HyperDGAが集合間の古典的距離の双曲バージョンより優れていることを示す。
論文参考訳（メタデータ） (2024-04-12T17:14:58Z)
IPoD: Implicit Field Learning with Point Diffusion for Generalizable 3D Object Reconstruction from Single RGB-D Images [50.4538089115248]
シングルビューRGB-D画像からの3Dオブジェクトの汎用化は依然として難しい課題である。本稿では,暗黙の場学習と点拡散を調和させる新しい手法IPoDを提案する。 CO3D-v2データセットによる実験では、IPoDの優位性が確認され、Fスコアは7.8%、チャンファー距離は28.6%向上した。
論文参考訳（メタデータ） (2024-03-30T07:17:37Z)
Superpixel Graph Contrastive Clustering with Semantic-Invariant Augmentations for Hyperspectral Images [64.72242126879503]
ハイパースペクトル画像(HSI)クラスタリングは重要な課題だが難しい課題である。まず3次元と2次元のハイブリッド畳み込みニューラルネットワークを用いてHSIの高次空間およびスペクトルの特徴を抽出する。次に,超画素グラフの対比クラスタリングモデルを設計し,識別的超画素表現を学習する。
論文参考訳（メタデータ） (2024-03-04T07:40:55Z)
Multilevel Saliency-Guided Self-Supervised Learning for Image Anomaly Detection [15.212031255539022]
異常検出(AD)はコンピュータビジョンの基本課題である。そこで我々は,サリエンシガイダンスを活用して意味的手がかりを付加するCutSwapを提案する。 CutSwapは、2つの主流ADベンチマークデータセット上で最先端のADパフォーマンスを達成する。
論文参考訳（メタデータ） (2023-11-30T08:03:53Z)
HyperDID: Hyperspectral Intrinsic Image Decomposition with Deep Feature Embedding [9.32185717565188]
本研究は, 深い特徴埋め込みを導入することで, 分類タスクの超スペクトル固有画像分解について再考する。提案フレームワークであるHyperDIDには,環境特徴モジュール(EFM)とカテゴリー特徴モジュール(CFM)が組み込まれ,固有の特徴を抽出する。 3つの一般的なデータセットに対する実験結果は、ハイパースペクトル画像分類性能を改善するためにHyperDIDの有効性を検証する。
論文参考訳（メタデータ） (2023-11-25T02:05:10Z)
HKNAS: Classification of Hyperspectral Imagery Based on Hyper Kernel Neural Architecture Search [104.45426861115972]
設計したハイパーカーネルを利用して,構造パラメータを直接生成することを提案する。我々は1次元または3次元の畳み込みを伴う画素レベルの分類と画像レベルの分類を別々に行う3種類のネットワークを得る。 6つの公開データセットに関する一連の実験は、提案手法が最先端の結果を得ることを示した。
論文参考訳（メタデータ） (2023-04-23T17:27:40Z)
Hyperbolic Contrastive Learning [12.170564544949308]
本稿では,双曲空間における意味的関係を学習するための新しいコントラスト学習フレームワークを提案する。提案手法は, 自己教師付き事前学習, 教師付き分類, ベースライン法よりも頑健な精度において, より良い結果が得られることを示す。
論文参考訳（メタデータ） (2023-02-02T20:47:45Z)
Deep Diversity-Enhanced Feature Representation of Hyperspectral Images [87.47202258194719]
トポロジを改良して3次元畳み込みを補正し,上行階の高次化を図る。また、要素間の独立性を最大化するために特徴マップに作用する新しい多様性対応正規化(DA-Reg)項を提案する。提案したRe$3$-ConvSetとDA-Regの優位性を実証するために,様々なHS画像処理および解析タスクに適用する。
論文参考訳（メタデータ） (2023-01-15T16:19:18Z)
Unsupervised Learning on 3D Point Clouds by Clustering and Contrasting [11.64827192421785]
教師なし表現学習は、人間の介入なしに機能を自動抽出するための有望な方向である。本稿では、ポイントワイドおよびグローバルな特徴の学習を行うために、textbfConClu という、一般的な教師なしアプローチを提案する。
論文参考訳（メタデータ） (2022-02-05T12:54:17Z)
Large-Scale Hyperspectral Image Clustering Using Contrastive Learning [18.473767002905433]
SSCC(Spectral-Spatial Contrastive Clustering)という,スケーラブルなオンラインクラスタリングモデルを提案する。我々は、スペクトル空間拡張プールから二重コントラスト学習を行うために、クラスタ番号の次元を持つ投影ヘッドからなる対称双対ニューラルネットワークを利用する。結果として得られたアプローチは、バッチワイズ最適化によってエンドツーエンドでトレーニングされ、大規模なデータで堅牢になり、見当たらないデータに対して優れた一般化能力が得られる。
論文参考訳（メタデータ） (2021-11-15T17:50:06Z)
DyCo3D: Robust Instance Segmentation of 3D Point Clouds through Dynamic Convolution [136.7261709896713]
本稿では,インスタンスの性質に応じて適切な畳み込みカーネルを生成するデータ駆動型アプローチを提案する。提案手法はScanetNetV2とS3DISの両方で有望な結果が得られる。また、現在の最先端よりも推論速度を25%以上向上させる。
論文参考訳（メタデータ） (2020-11-26T14:56:57Z)

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。