論文の概要: EPContrast: Effective Point-level Contrastive Learning for Large-scale Point Cloud Understanding

• arxiv url: http://arxiv.org/abs/2410.17207v1
• Date: Tue, 22 Oct 2024 17:27:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-23 14:28:38.075294
• Title: EPContrast: Effective Point-level Contrastive Learning for Large-scale Point Cloud Understanding
• Title（参考訳）: EPContrast:大規模クラウド理解のための効果的なポイントレベルのコントラスト学習
• Authors: Zhiyi Pan, Guoqing Liu, Wei Gao, Thomas H. Li,
• Abstract要約: 本稿では,textbfEPContrast と呼ばれる大規模クラウド理解のための効果的なポイントレベルのコントラスト学習手法を提案する。 EPContrastは非対称埋め込みに基づく正対と負対を構成し、ChannelContrastはチャネル特徴写像間の対照的な監督を課している。 EPContrastの有効性は、セマンティックセグメンテーション、インスタンスセグメンテーション、オブジェクト検出といったタスクを含む、S3DISとScanNetV2の包括的な検証を通じて裏付けられる。
• 参考スコア（独自算出の注目度）: 27.596165112950935
• License:
• Abstract: The acquisition of inductive bias through point-level contrastive learning holds paramount significance in point cloud pre-training. However, the square growth in computational requirements with the scale of the point cloud poses a substantial impediment to the practical deployment and execution. To address this challenge, this paper proposes an Effective Point-level Contrastive Learning method for large-scale point cloud understanding dubbed \textbf{EPContrast}, which consists of AGContrast and ChannelContrast. In practice, AGContrast constructs positive and negative pairs based on asymmetric granularity embedding, while ChannelContrast imposes contrastive supervision between channel feature maps. EPContrast offers point-level contrastive loss while concurrently mitigating the computational resource burden. The efficacy of EPContrast is substantiated through comprehensive validation on S3DIS and ScanNetV2, encompassing tasks such as semantic segmentation, instance segmentation, and object detection. In addition, rich ablation experiments demonstrate remarkable bias induction capabilities under label-efficient and one-epoch training settings.
• Abstract（参考訳）: 点レベルのコントラスト学習による帰納バイアスの獲得は、点雲事前学習において最重要となる。 しかし、ポイントクラウドのスケールによる計算要求の2乗増加は、実際のデプロイと実行に重大な障害をもたらす。 本稿では,AGContrastとChannelContrastからなる大規模クラウド理解のための効果的なポイントレベルのコントラスト学習手法を提案する。 実際には、AGContrastは非対称な粒度埋め込みに基づいて正と負のペアを構築し、ChannelContrastはチャネル特徴写像間の対照的な監督を課している。 EPContrastは、計算リソースの負担を軽減すると同時に、ポイントレベルのコントラスト損失を提供する。 EPContrastの有効性は、セマンティックセグメンテーション、インスタンスセグメンテーション、オブジェクト検出などのタスクを含む、S3DISとScanNetV2の包括的な検証を通じて裏付けられる。 さらに、豊かなアブレーション実験はラベル効率と1エポックなトレーニング環境下で顕著なバイアス誘導能力を示す。

関連論文リスト

• PseudoNeg-MAE: Self-Supervised Point Cloud Learning using Conditional Pseudo-Negative Embeddings [55.55445978692678]
  PseudoNeg-MAEは,ポイントマスク自動エンコーダのグローバルな特徴表現を強化する,自己教師型学習フレームワークである。 PseudoNeg-MAE は ModelNet40 と ScanObjectNN のデータセット上で最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-09-24T07:57:21Z)
• Joint Learning for Scattered Point Cloud Understanding with Hierarchical Self-Distillation [37.42845400904313]
  そこで本研究では,部分点雲を高速に補正し,同定するエンド・ツー・エンドアーキテクチャを提案する。 階層型自己蒸留(HSD)は任意の階層ベースの点雲法に適用できる。
  論文  参考訳（メタデータ） (2023-12-28T08:51:04Z)
• Synergistic Anchored Contrastive Pre-training for Few-Shot Relation Extraction [4.7220779071424985]
  Few-shot Relation extract (FSRE) は、ラベル付きコーパスのスパースセットから事実を抽出することを目的としている。 近年の研究では、事前学習言語モデルを用いたFSREの有望な結果が示されている。 本稿では,新しい相乗的アンカー付きコントラスト事前学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-19T10:16:24Z)
• BEVContrast: Self-Supervision in BEV Space for Automotive Lidar Point Clouds [73.40883276013373]
  自動車のライダー点雲上での3次元バックボーンの自己監督を驚くほどシンプルかつ効率的に行う方法を提案する。 我々は,同じシーンで撮影されたLidarスキャンの特徴間の対照的な損失を設計する。 セルレベルの表現の結果は、PointContrastで利用されるポイントレベルの表現と、TARLで使用されるセグメントレベルの表現との間に良いトレードオフをもたらす。
  論文  参考訳（メタデータ） (2023-10-26T10:02:33Z)
• Point Contrastive Prediction with Semantic Clustering for Self-Supervised Learning on Point Cloud Videos [71.20376514273367]
  本稿では,オブジェクト中心およびシーン中心のデータを対象とした一元的クラウドビデオ自己教師型学習フレームワークを提案する。 本手法は、広範囲の下流タスクにおいて教師付きタスクよりも優れる。
  論文  参考訳（メタデータ） (2023-08-18T02:17:47Z)
• STS-CCL: Spatial-Temporal Synchronous Contextual Contrastive Learning for Urban Traffic Forecasting [4.947443433688782]
  本研究は、高度なコントラスト学習を採用し、新しい時空間コントラスト学習(STS-CCL)モデルを提案する。 STS-CCLコントラスト学習モデルに基づく予測器の構築は,既存のトラフィック予測ベンチマークよりも優れた性能を発揮することを示す実験と評価を行った。
  論文  参考訳（メタデータ） (2023-07-05T03:47:28Z)
• PointACL:Adversarial Contrastive Learning for Robust Point Clouds Representation under Adversarial Attack [73.3371797787823]
  逆比較学習(Adversarial contrastive learning, ACL)は、事前学習されたモデルの堅牢性を改善する効果的な方法と考えられている。 本稿では,自己指導型コントラスト学習フレームワークを逆向きに学習するために,ロバストな認識損失関数を提案する。 提案手法であるPointACLを,複数のデータセットを用いた3次元分類と3次元分割を含む下流タスクで検証する。
  論文  参考訳（メタデータ） (2022-09-14T22:58:31Z)
• Guided Point Contrastive Learning for Semi-supervised Point Cloud Semantic Segmentation [90.2445084743881]
  そこで本研究では,モデル性能を向上させるために,未ラベルの点群をトレーニングに採用するための半教師付き点群セマンティックセマンティックセマンティックセマンティクスを提案する。 近年の自己監督型タスクのコントラスト損失に触発されて,特徴表現とモデル一般化能力を高めるためのガイド付きポイントコントラスト損失を提案する。
  論文  参考訳（メタデータ） (2021-10-15T16:38:54Z)
• Deep Semantic Matching with Foreground Detection and Cycle-Consistency [103.22976097225457]
  深層ネットワークに基づく弱い教師付きセマンティックマッチングに対処する。 本研究では,背景乱れの影響を抑えるために,前景領域を明示的に推定する。 複数の画像にまたがって予測変換を強制し、幾何的に可視かつ一貫したサイクル一貫性の損失を発生させる。
  論文  参考訳（メタデータ） (2020-03-31T22:38:09Z)

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。