論文の概要: Rotation Perturbation Robustness in Point Cloud Analysis: A Perspective of Manifold Distillation

• arxiv url: http://arxiv.org/abs/2411.01748v1
• Date: Mon, 04 Nov 2024 02:13:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-05 14:39:45.079528
• Title: Rotation Perturbation Robustness in Point Cloud Analysis: A Perspective of Manifold Distillation
• Title（参考訳）: 点雲解析における回転摂動ロバスト性:マニフォールド蒸留の展望
• Authors: Xinyu Xu, Huazhen Liu, Feiming Wei, Huilin Xiong, Wenxian Yu, Tao Zhang,
• Abstract要約: 本稿では, 多様体の観点から点雲をモデル化し, 回転摂動のロバスト性を達成するために, 多様体蒸留法を設計する。 4つの異なるデータセットを用いて実験を行い,本手法の有効性を検証した。
• 参考スコア（独自算出の注目度）: 10.14368825342757
• License:
• Abstract: Point cloud is often regarded as a discrete sampling of Riemannian manifold and plays a pivotal role in the 3D image interpretation. Particularly, rotation perturbation, an unexpected small change in rotation caused by various factors (like equipment offset, system instability, measurement errors and so on), can easily lead to the inferior results in point cloud learning tasks. However, classical point cloud learning methods are sensitive to rotation perturbation, and the existing networks with rotation robustness also have much room for improvements in terms of performance and noise tolerance. Given these, this paper remodels the point cloud from the perspective of manifold as well as designs a manifold distillation method to achieve the robustness of rotation perturbation without any coordinate transformation. In brief, during the training phase, we introduce a teacher network to learn the rotation robustness information and transfer this information to the student network through online distillation. In the inference phase, the student network directly utilizes the original 3D coordinate information to achieve the robustness of rotation perturbation. Experiments carried out on four different datasets verify the effectiveness of our method. Averagely, on the Modelnet40 and ScanobjectNN classification datasets with random rotation perturbations, our classification accuracy has respectively improved by 4.92% and 4.41%, compared to popular rotation-robust networks; on the ShapeNet and S3DIS segmentation datasets, compared to the rotation-robust networks, the improvements of mIoU are 7.36% and 4.82%, respectively. Besides, from the experimental results, the proposed algorithm also shows excellent performance in resisting noise and outliers.
• Abstract（参考訳）: 点雲はしばしばリーマン多様体の離散サンプリングと見なされ、3次元画像解釈において中心的な役割を果たす。 特に回転摂動は、様々な要因(機器オフセット、システム不安定性、測定誤差など)によって生じる予期せぬ小さな回転変化であり、ポイントクラウド学習タスクにおいて、容易に劣る結果をもたらす。 しかし、古典的な点クラウド学習法は回転摂動に敏感であり、回転ロバスト性を持つ既存のネットワークは、性能や耐雑音性の観点からも多くの改善の余地がある。 これらのことから,本論文では,座標変換を伴わない回転摂動のロバスト性を実現するために,多様体の観点から点雲をモデル化するとともに,多様体蒸留法を設計する。 簡単に言えば、トレーニング期間中に、回転ロバスト性情報を学び、それをオンライン蒸留を通して学生ネットワークに転送する教師ネットワークを導入する。 推論フェーズでは、学生ネットワークは、元の3D座標情報を直接利用して、回転摂動の堅牢性を実現する。 4つの異なるデータセットを用いて実験を行い,本手法の有効性を検証した。 モデルネット40とScanobjectNNのランダムな回転摂動を伴う分類データセットでは、一般的な回転ロバストネットワークに比べて、分類精度が4.92%、S3DISセグメンテーションデータセットでは7.36%、mIoUは4.82%向上した。 また, 実験結果から, 提案アルゴリズムは, 耐雑音性能や外周性能にも優れていた。

関連論文リスト

• On Representation of 3D Rotation in the Context of Deep Learning [3.698726665797999]
  複数の回転表現と損失関数を用いた3次元回転推定のためのResNet18ネットワークの性能評価を行った。 従来の研究では,連続した5Dおよび6D表現を用いたネットワークは,不連続なネットワークよりも優れていた。
  論文  参考訳（メタデータ） (2024-10-14T10:09:44Z)
• WiNet: Wavelet-based Incremental Learning for Efficient Medical Image Registration [68.25711405944239]
  深部画像登録は異常な精度と高速な推測を示した。 近年の進歩は、粗大から粗大の方法で密度変形場を推定するために、複数のカスケードまたはピラミッドアーキテクチャを採用している。 本稿では,様々なスケールにわたる変位/速度場に対して,スケールワイブレット係数を漸進的に推定するモデル駆動WiNetを提案する。
  論文  参考訳（メタデータ） (2024-07-18T11:51:01Z)
• PARE-Net: Position-Aware Rotation-Equivariant Networks for Robust Point Cloud Registration [8.668461141536383]
  回転不変の特徴を学習することは、ポイントクラウド登録の基本的な要件である。 既存の手法では、回転に敏感なネットワークを用いて特徴を抽出し、回転拡大を用いて近似不変写像を無作為に学習する。 高速で軽量でロバストな登録のための位置認識型回転同変ネットワークを提案する。
  論文  参考訳（メタデータ） (2024-07-14T10:26:38Z)
• VI-Net: Boosting Category-level 6D Object Pose Estimation via Learning Decoupled Rotations on the Spherical Representations [55.25238503204253]
  作業を容易にするために,VI-Netと呼ばれる新しい回転推定ネットワークを提案する。 球面信号を処理するために、SPAtial Spherical Convolutionの新たな設計に基づいて、球面特徴ピラミッドネットワークを構築する。 ベンチマークデータセットの実験により,提案手法の有効性が確認された。
  論文  参考訳（メタデータ） (2023-08-19T05:47:53Z)
• SPE-Net: Boosting Point Cloud Analysis via Rotation Robustness Enhancement [118.20816888815658]
  SPE-Netという名前の3Dポイントクラウドアプリケーションに適した新しいディープアーキテクチャを提案する。 埋め込みSelective Position variant' の手順は、入力の根底にある回転条件に効果的に対応できる注意機構に依存している。 SPE-Netと関連する仮説の利点を4つのベンチマークで示し、SOTA法よりも回転試験データと回転試験データの両方に明らかな改善点を示した。
  論文  参考訳（メタデータ） (2022-11-15T15:59:09Z)
• ART-Point: Improving Rotation Robustness of Point Cloud Classifiers via Adversarial Rotation [89.47574181669903]
  本研究では, 点雲分類器の回転ロバスト性も, 対角訓練により得られることを示す。 具体的には、ART-Pointというフレームワークは、ポイントクラウドの回転を攻撃と見なしている。 最終的なロバストモデルに効率よく到達するために,高速なワンステップ最適化を提案する。
  論文  参考訳（メタデータ） (2022-03-08T07:20:16Z)
• Adjoint Rigid Transform Network: Task-conditioned Alignment of 3D Shapes [86.2129580231191]
  Adjoint Rigid Transform (ART) Networkは、さまざまな3Dネットワークと統合可能なニューラルネットワークモジュールである。 ARTは入力の形状を学習した標準方向に回転させることを学び、多くのタスクに欠かせない。 さらなる研究のために、コードと事前訓練されたモデルをリリースします。
  論文  参考訳（メタデータ） (2021-02-01T20:58:45Z)
• Spherical Convolutional Neural Networks: Stability to Perturbations in SO(3) [175.96910854433574]
  球状畳み込みニューラルネットワーク(Spherical Convolutional Neural Network, Spherical CNN)は、データ構造を利用して3次元データから非線形表現を学習する。 本稿では,球状CNNが球状信号に固有の回転構造に関係しているとして,その特性について検討する。
  論文  参考訳（メタデータ） (2020-10-12T17:16:07Z)
• A Smooth Representation of Belief over SO(3) for Deep Rotation Learning with Uncertainty [33.627068152037815]
  本稿では、3次元回転群の新しい対称行列表現 SO(3) と、学習モデルに特に適する2つの重要な性質について述べる。 我々は,2つのデータモダリティに基づいて深部神経回転回帰器を訓練することにより,定式化の利点を実証的に検証した。 この機能は、新しい入力を検出することで、学習したモデルの破滅的な失敗を防ぐ安全クリティカルなアプリケーションにとって鍵となる。
  論文  参考訳（メタデータ） (2020-06-01T15:57:45Z)

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。