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/2410.10084v2
- Date: Mon, 16 Dec 2024 02:15:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-17 13:52:00.006831
- 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: Kolmogorov-Arnold Networks(KAN)は、ディープラーニングフレームワークにおける従来のマルチレイヤパーセプトロン(MLP)に代わるものとして、最近注目を集めている。
我々は従来のネットワークの代わりに Kan を用いる PointNet-KAN を紹介する。
我々は、Lagrange、Chebyshev、Gegenbauersなど、様々な種類のPointNet-KANを評価した。
- 参考スコア(独自算出の注目度): 1.90365714903665
- License:
- Abstract: Kolmogorov-Arnold Networks (KANs) have recently gained attention as an alternative to traditional Multilayer Perceptrons (MLPs) in deep learning frameworks. KANs have been integrated into various deep learning architectures such as convolutional neural networks, graph neural networks, and transformers, with their performance evaluated. However, their effectiveness within point-cloud-based neural networks remains unexplored. To address this gap, we incorporate KANs into PointNet for the first time to evaluate their performance on 3D point cloud classification and segmentation tasks. Specifically, we introduce PointNet-KAN, built upon two key components. First, it employs KANs instead of traditional 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 and systematically 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): Kolmogorov-Arnold Networks(KAN)は、ディープラーニングフレームワークにおける従来のマルチレイヤパーセプトロン(MLP)に代わるものとして、最近注目を集めている。
kanは、畳み込みニューラルネットワーク、グラフニューラルネットワーク、トランスフォーマーなど、さまざまなディープラーニングアーキテクチャに統合され、そのパフォーマンスが評価されている。
しかしながら、ポイントクラウドベースのニューラルネットワークにおけるそれらの有効性は、まだ探索されていない。
このギャップに対処するため、我々は初めて Kans を PointNet に組み込んで、3D ポイントクラウドの分類とセグメンテーションタスクの性能を評価する。
具体的には、2つのキーコンポーネント上に構築されたPointNet-KANを紹介します。
まず、従来のMLPの代わりにkanを採用。
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を広範囲かつ体系的に評価する。
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
- 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) - FreePoint: Unsupervised Point Cloud Instance Segmentation [72.64540130803687]
点クラウド上の教師なしクラス非依存のインスタンスセグメンテーションを探索するためのFreePointを提案する。
我々は、座標、色、そして自己監督の深い特徴を組み合わせることで、点の特徴を表現する。
ポイント機能に基づいて、ポイントクラウドを擬似ラベルとして粗いインスタンスマスクに分割し、ポイントクラウドインスタンスセグメンテーションモデルをトレーニングする。
論文 参考訳(メタデータ) (2023-05-11T16:56:26Z) - 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) - 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) - 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) - SoftPoolNet: Shape Descriptor for Point Cloud Completion and
Classification [93.54286830844134]
本稿では,点雲に基づく3次元オブジェクトの補完と分類手法を提案する。
デコーダの段階では,グローバルな活性化エントロピーの最大化を目的とした新しい演算子である地域畳み込みを提案する。
我々は,オブジェクトの完成度や分類,最先端の精度の達成など,異なる3次元タスクに対するアプローチを評価する。
論文 参考訳(メタデータ) (2020-08-17T14:32:35Z)
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。