論文の概要: MICAS: Multi-grained In-Context Adaptive Sampling for 3D Point Cloud Processing

• arxiv url: http://arxiv.org/abs/2411.16773v2
• Date: Wed, 27 Nov 2024 07:45:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-02 11:38:20.799368
• Title: MICAS: Multi-grained In-Context Adaptive Sampling for 3D Point Cloud Processing
• Title（参考訳）: MICAS: 3Dポイントクラウド処理のためのマルチグラデーションインコンテキスト適応サンプリング
• Authors: Feifei Shao, Ping Liu, Zhao Wang, Yawei Luo, Hongwei Wang, Jun Xiao,
• Abstract要約: ポイントクラウド処理(PCP)は、再構築、復調、登録、セグメンテーションといったタスクを含む。 In-context Learning (ICL)は、タスク固有のデモプロンプトを持つ単一のモデルを使用することで、タスク間での約束を示す。 我々は,PCPに適した多粒度適応サンプリング機構を備えた高度なICLフレームワークであるMICASを提案する。
• 参考スコア（独自算出の注目度）: 22.12826277312152
• License:
• Abstract: Point cloud processing (PCP) encompasses tasks like reconstruction, denoising, registration, and segmentation, each often requiring specialized models to address unique task characteristics. While in-context learning (ICL) has shown promise across tasks by using a single model with task-specific demonstration prompts, its application to PCP reveals significant limitations. We identify inter-task and intra-task sensitivity issues in current ICL methods for PCP, which we attribute to inflexible sampling strategies lacking context adaptation at the point and prompt levels. To address these challenges, we propose MICAS, an advanced ICL framework featuring a multi-grained adaptive sampling mechanism tailored for PCP. MICAS introduces two core components: task-adaptive point sampling, which leverages inter-task cues for point-level sampling, and query-specific prompt sampling, which selects optimal prompts per query to mitigate intra-task sensitivity. To our knowledge, this is the first approach to introduce adaptive sampling tailored to the unique requirements of point clouds within an ICL framework. Extensive experiments show that MICAS not only efficiently handles various PCP tasks but also significantly outperforms existing methods. Notably, it achieves a remarkable $4.1\%$ improvement in the part segmentation task and delivers consistent gains across various PCP applications.
• Abstract（参考訳）: ポイントクラウド処理(PCP)は、復元、復調、登録、セグメンテーションといったタスクを包含する。 In-context Learning (ICL)はタスク固有のデモンストレーションプロンプトを持つ単一モデルを使用することでタスク間の約束を示すが、PCPへの適用には重大な制限がある。 我々は,PCPの現在のICL法におけるタスク間感度問題とタスク内感度問題を特定し,その原因は,その点における文脈適応に欠ける非フレキシブルサンプリング戦略とプロンプトレベルである。 これらの課題に対処するために,PCPに適した多粒度適応型サンプリング機構を備えた高度なICLフレームワークであるMICASを提案する。 MICASは、ポイントレベルのサンプリングにタスク間キューを活用するタスク適応型ポイントサンプリングと、タスク内の感度を緩和するためにクエリ毎の最適なプロンプトを選択するクエリ固有プロンプトサンプリングの2つのコアコンポーネントを導入している。 我々の知る限り、ICLフレームワーク内のポイントクラウドのユニークな要求に合わせて適応サンプリングを導入する最初のアプローチである。 大規模な実験により、MICASは様々なPCPタスクを効率的に処理するだけでなく、既存の手法よりも優れていることが示された。 特に、パートセグメンテーションタスクで4.1\%の大幅な改善を達成し、様々なPCPアプリケーションに一貫した利益をもたらす。

関連論文リスト

• Coreset-Based Task Selection for Sample-Efficient Meta-Reinforcement Learning [1.2952597101899859]
  モデル非依存型メタ強化学習(MAML-RL)におけるサンプル効率向上のためのタスク選択の検討 勾配空間におけるタスクの多様性に基づいて,タスクの重み付きサブセットを選択する,コアセットベースのタスク選択手法を提案する。 複数のRLベンチマーク問題にまたがるこの傾向を数値的に検証し,LQRベースラインを越えたタスク選択の利点について考察した。
  論文  参考訳（メタデータ） (2025-02-04T14:09:00Z)
• CS-Net:Contribution-based Sampling Network for Point Cloud Simplification [50.55658910053004]
  ポイントクラウドサンプリングは、様々なビジョンタスクの計算コストとストレージ要求を減らす上で重要な役割を果たす。 最遠点サンプリングのような従来のサンプリング手法では、タスク固有の情報が欠落している。 提案手法では, サンプル処理をTop-k操作として定式化したCS-Netを提案する。
  論文  参考訳（メタデータ） (2025-01-18T14:56:09Z)
• Prompt Optimization with EASE? Efficient Ordering-aware Automated Selection of Exemplars [66.823588073584]
  大規模言語モデル(LLM)は、現実世界のアプリケーションで印象的な機能を示している。 これらの卓越した作品の品質は、パフォーマンスに大きな影響を与えます。 既存の方法は、先行注文がパフォーマンスに与える影響を適切に説明できない。
  論文  参考訳（メタデータ） (2024-05-25T08:23:05Z)
• Task-Specific Adaptation of Segmentation Foundation Model via Prompt Learning [7.6136466242670435]
  本稿では,Segment Anything Model(SAM)に適合した即時学習によるセグメンテーション基礎モデルのタスク固有適応を提案する。 本手法は,入力プロンプトを組込み空間に調整し,目的タスクの特異性に適合させるプロンプト学習モジュールを含む。 様々なセグメンテーションシナリオに対する実験結果から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-03-14T09:13:51Z)
• Provable Benefits of Multi-task RL under Non-Markovian Decision Making Processes [56.714690083118406]
  マルコフ決定過程 (MDP) 下でのマルチタスク強化学習 (RL) において, 共有潜在構造の存在は, シングルタスクRLと比較して, サンプル効率に有意な利益をもたらすことが示されている。 このような利点が、部分的に観測可能なMDP(POMDP)やより一般的な予測状態表現(PSR)といった、より一般的なシーケンシャルな意思決定問題にまで拡張できるかどうかを検討する。 提案手法は,全てのPSRに対してほぼ最適ポリシーを求めるための,証明可能なアルゴリズム UMT-PSR を提案し,PSR の合同モデルクラスが有するマルチタスク学習の利点が示されることを示す。
  論文  参考訳（メタデータ） (2023-10-20T14:50:28Z)
• Active Coverage for PAC Reinforcement Learning [24.256960622176305]
  本稿では,エピソードマルコフ決定過程(MDP)におけるアクティブカバレッジの問題を定式化する。 我々は,異なるPAC RLタスクを解くために,CovGameをビルディングブロックとして使用できることを示す。
  論文  参考訳（メタデータ） (2023-06-23T16:39:37Z)
• Proposal-Based Multiple Instance Learning for Weakly-Supervised Temporal Action Localization [98.66318678030491]
  微弱に監督された時間的行動ローカライゼーションは、トレーニング中にビデオレベルのカテゴリラベルのみを持つ未トリミングビデオのアクションをローカライズし、認識することを目的としている。 本稿では,提案手法をベースとしたP-MIL(Multiple Instance Learning)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-29T02:48:04Z)
• Beyond Farthest Point Sampling in Point-Wise Analysis [52.218037492342546]
  本稿では,ポイントワイズ分析タスクのための新しいデータ駆動型サンプル学習手法を提案する。 我々はサンプルと下流のアプリケーションを共同で学習する。 実験により, 従来のベースライン法に比べて, サンプルとタスクの同時学習が顕著に改善することが示された。
  論文  参考訳（メタデータ） (2021-07-09T08:08:44Z)
• Adaptive Task Sampling for Meta-Learning [79.61146834134459]
  数ショットの分類のためのメタラーニングの鍵となるアイデアは、テスト時に直面した数ショットの状況を模倣することである。 一般化性能を向上させるための適応型タスクサンプリング手法を提案する。
  論文  参考訳（メタデータ） (2020-07-17T03:15:53Z)

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。