Fugu-MT 論文翻訳(概要): PointNet with KAN versus PointNet with MLP for 3D Classification and Segmentation of Point Sets

論文の概要: PointNet with KAN versus PointNet with MLP for 3D Classification and Segmentation of Point Sets

arxiv url: http://arxiv.org/abs/2410.10084v1
Date: Mon, 14 Oct 2024 01:57:06 GMT
ステータス: 処理完了
システム内更新日: 2024-10-30 03:14:03.571565
Title: PointNet with KAN versus PointNet with MLP for 3D Classification and Segmentation of Point Sets
Title（参考訳）: 点集合の3次元分類とセグメンテーションのための MLP を用いた Kan 対 PointNet のポイントネット
Authors: Ali Kashefi,
Abstract要約: 我々は3Dポイントクラウド分類とセグメンテーションタスクのためのニューラルネットワークであるPointNet-KANを紹介する。従来のマルチレイヤーパーセプトロン(MLP)の代わりにKAN(Kolmogorov-Arnold Networks)を採用している。
参考スコア（独自算出の注目度）: 1.90365714903665
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We introduce PointNet-KAN, a neural network for 3D point cloud classification and segmentation tasks, built upon two key components. First, it employs Kolmogorov-Arnold Networks (KANs) instead of traditional Multilayer Perceptrons (MLPs). Second, it retains the core principle of PointNet by using shared KAN layers and applying symmetric functions for global feature extraction, ensuring permutation invariance with respect to the input features. In traditional MLPs, the goal is to train the weights and biases with fixed activation functions; however, in KANs, the goal is to train the activation functions themselves. We use Jacobi polynomials to construct the KAN layers. We extensively evaluate PointNet-KAN across various polynomial degrees and special types such as the Lagrange, Chebyshev, and Gegenbauer polynomials. Our results show that PointNet-KAN achieves competitive performance compared to PointNet with MLPs on benchmark datasets for 3D object classification and segmentation, despite employing a shallower and simpler network architecture. We hope this work serves as a foundation and provides guidance for integrating KANs, as an alternative to MLPs, into more advanced point cloud processing architectures.
Abstract（参考訳）: 我々は2つのキーコンポーネント上に構築された3Dポイントクラウド分類とセグメンテーションタスクのためのニューラルネットワークであるPointNet-KANを紹介する。まず、従来のマルチレイヤーパーセプトロン(MLP)の代わりにKAN(Kolmogorov-Arnold Networks)を採用している。第2に、共有Kankanレイヤを使用し、グローバルな特徴抽出に対称関数を適用し、入力特徴に対する置換不変性を保証することによって、PointNetのコア原則を維持している。従来のMLPでは、重みとバイアスを固定活性化関数で訓練することが目的であるが、カンでは、活性化関数自体を訓練することが目的である。我々はジャコビ多項式を用いてkan層を構成する。我々は、様々な多項式次数およびLagrange、Chebyshev、Gegenbauer多項式などの特殊型に対して、PointNet-KANを広範囲に評価する。これらの結果から,3次元オブジェクト分類とセグメンテーションのベンチマークデータセットにおいて,PointNet-KANは,より浅くシンプルなネットワークアーキテクチャを採用しているにもかかわらず,PointNetとMPPの競合性能を実現していることがわかった。この作業が基盤として機能し、より先進的なクラウド処理アーキテクチャへのMLPの代替としてkansを統合するためのガイダンスを提供することを期待しています。

関連論文リスト

Kolmogorov-Arnold PointNet: Deep learning for prediction of fluid fields on irregular geometries [1.90365714903665]
不規則領域における非圧縮性定常流体場予測のための新しい教師付きディープラーニングフレームワークを提案する。 KA-PointNetでは、PointNetアーキテクチャのセグメンテーションブランチに共有KANを実装した。我々は、共有kan(KA-PointNet)とPointNetのパフォーマンスを共有Multilayer Perceptrons(MLPs)と比較する。
論文参考訳（メタデータ） (2024-08-06T04:28:16Z)
Point Deformable Network with Enhanced Normal Embedding for Point Cloud Analysis [59.12922158979068]
近年,ポイントクラウド解析において高い性能を示す手法が提案されている。単純なアーキテクチャは局所的な点群で幾何学的特徴を学ぶことができるが、長距離依存を直接モデル化することができない。本稿では,表現能力の強い長距離関係を捉えるために,PDNet(Point Deformable Network)を提案する。
論文参考訳（メタデータ） (2023-12-20T14:52:07Z)
PointResNet: Residual Network for 3D Point Cloud Segmentation and Classification [18.466814193413487]
ポイントクラウドのセグメンテーションと分類は、3Dコンピュータビジョンの主要なタスクである。本稿では,残差ブロックベースアプローチであるPointResNetを提案する。我々のモデルは、セグメント化と分類タスクのためのディープニューラルネットワークを用いて、3Dポイントを直接処理する。
論文参考訳（メタデータ） (2022-11-20T17:39:48Z)
PointNeXt: Revisiting PointNet++ with Improved Training and Scaling Strategies [85.14697849950392]
我々は、モデルトレーニングとスケーリング戦略の体系的な研究を通じて、古典的なPointNet++を再考する。我々は、PointNet++のパフォーマンスを大幅に改善する一連の改善されたトレーニング戦略を提案する。我々は,効率的なモデルスケーリングを実現するために,逆ボトルネック設計と分離可能なPointNet++を紹介した。
論文参考訳（メタデータ） (2022-06-09T17:59:54Z)
APP-Net: Auxiliary-point-based Push and Pull Operations for Efficient Point Cloud Classification [48.230170172837084]
ポイントクラウドベースの3D分類タスクでは、隣のポイントから機能を集約する。これらの問題に対処するため,我々はAPPと呼ばれる線形複雑性の局所アグリゲータを提案する。オンラインの正規推定モジュールを使用して、説明可能な幾何学情報を提供し、APPモデリング機能を強化します。
論文参考訳（メタデータ） (2022-05-02T12:21:11Z)
Rethinking Network Design and Local Geometry in Point Cloud: A Simple Residual MLP Framework [55.40001810884942]
我々は、洗練された局所幾何学的抽出器を組み込んだ純粋な残留ネットワークPointMLPを導入するが、それでも非常に競争力がある。実世界のScanObjectNNデータセットでは,従来のベストメソッドを3.3%の精度で上回ります。最新のCurveNetと比較して、PointMLPは2倍速く、テストは7倍速く、ModelNet40ベンチマークではより正確である。
論文参考訳（メタデータ） (2022-02-15T01:39:07Z)
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)
FatNet: A Feature-attentive Network for 3D Point Cloud Processing [1.502579291513768]
本稿では,グローバルポイントベースの機能とエッジベースの機能を組み合わせた,新たな機能指向ニューラルネットワーク層であるfat layerを提案する。当社のアーキテクチャは,ModelNet40データセットで示すように,ポイントクラウド分類のタスクにおける最先端の成果を達成する。
論文参考訳（メタデータ） (2021-04-07T23:13:56Z)
SALA: Soft Assignment Local Aggregation for Parameter Efficient 3D Semantic Segmentation [65.96170587706148]
3dポイントクラウドセマンティクスセグメンテーションのためのパラメータ効率の良いネットワークを生成するポイントローカルアグリゲーション関数の設計に着目する。グリッド型アグリゲーション関数における学習可能な隣り合わせソフトアロケーションの利用について検討する。
論文参考訳（メタデータ） (2020-12-29T20:16:37Z)
PointGroup: Dual-Set Point Grouping for 3D Instance Segmentation [111.7241018610573]
私たちは、インスタンスセグメンテーションのための新しいエンドツーエンドボトムアップアーキテクチャであるPointGroupを紹介します。我々は2分岐ネットワークを設計し、ポイントの特徴を抽出し、セマンティックラベルとオフセットを予測し、各ポイントをそれぞれのインスタンスセントロイドに向けてシフトさせる。クラスタリングコンポーネントは、元のおよびオフセットシフトされた点座標セットの両方を利用するために、その相補的な強度を利用する。 ScanNet v2 と S3DIS の2つの挑戦的データセットに対する広範な実験を行い、ScanNet v2 と S3DIS が最も高い性能を達成し、63.6% と 64.0% の2つを以前のベストが達成した54.9% と54.4% と比較した。
論文参考訳（メタデータ） (2020-04-03T16:26:37Z)

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。