Fugu-MT 論文翻訳(概要): Point-GN: A Non-Parametric Network Using Gaussian Positional Encoding for Point Cloud Classification

論文の概要: Point-GN: A Non-Parametric Network Using Gaussian Positional Encoding for Point Cloud Classification

arxiv url: http://arxiv.org/abs/2412.03056v2
Date: Sat, 07 Dec 2024 05:07:59 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-10 11:30:47.745980
Title: Point-GN: A Non-Parametric Network Using Gaussian Positional Encoding for Point Cloud Classification
Title（参考訳）: Point-GN:ポイントクラウド分類のためのガウス位置符号化を用いた非パラメトリックネットワーク
Authors: Marzieh Mohammadi, Amir Salarpour,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: This paper introduces Point-GN, a novel non-parametric network for efficient and accurate 3D point cloud classification. Unlike conventional deep learning models that rely on a large number of trainable parameters, Point-GN leverages non-learnable components-specifically, Farthest Point Sampling (FPS), k-Nearest Neighbors (k-NN), and Gaussian Positional Encoding (GPE)-to extract both local and global geometric features. This design eliminates the need for additional training while maintaining high performance, making Point-GN particularly suited for real-time, resource-constrained applications. We evaluate Point-GN on two benchmark datasets, ModelNet40 and ScanObjectNN, achieving classification accuracies of 85.29% and 85.89%, respectively, while significantly reducing computational complexity. Point-GN outperforms existing non-parametric methods and matches the performance of fully trained models, all with zero learnable parameters. Our results demonstrate that Point-GN is a promising solution for 3D point cloud classification in practical, real-time environments.
Abstract（参考訳）: 本稿では,高速かつ正確な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Point-GNを紹介する。多くのトレーニング可能なパラメータに依存する従来のディープラーニングモデルとは異なり、Point-GNは非学習可能なコンポーネント、Farthest Point Smpling(FPS)、k-Nearest Neighbors(k-NN)、Gaussian Positional Encoding(GPE)を活用して局所的および大域的幾何学的特徴を抽出する。この設計により、高性能を維持しながら追加のトレーニングを不要にし、特にリアルタイムのリソース制約のあるアプリケーションに適している。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,計算複雑性を著しく低減した。 Point-GNは既存の非パラメトリック手法よりも優れており、完全に訓練されたモデルの性能と学習可能なパラメータがゼロである。この結果から,Point-GNは実時間環境における3Dポイントクラウド分類において有望なソリューションであることが示された。

関連論文リスト

PointGL: A Simple Global-Local Framework for Efficient Point Cloud Analysis [19.163081544030547]
我々は、効率的なポイントクラウド分析を容易にするために、PointGLとして知られる、新しく、複雑で、かつ強力なアーキテクチャを導入します。一点埋め込みとパラメータフリーグラフプーリングの融合は、PointGLが定義するモデル複雑性の最小化と効率の向上に寄与する。私たちのPointGLは、ScanObjectNNデータセットの最先端の精度を達成しつつ、5倍以上高速で、FLOPの約4%と、最近のPointMLPモデルと比較して30%のパラメータしか利用できないランタイムを示しています。
論文参考訳（メタデータ） (2024-01-22T02:05:33Z)
Point Cloud Pre-training with Diffusion Models [62.12279263217138]
我々は、ポイントクラウド拡散事前学習(PointDif)と呼ばれる新しい事前学習手法を提案する。 PointDifは、分類、セグメンテーション、検出など、さまざまな下流タスクのために、さまざまな現実世界のデータセット間で大幅に改善されている。
論文参考訳（メタデータ） (2023-11-25T08:10:05Z)
GPr-Net: Geometric Prototypical Network for Point Cloud Few-Shot Learning [2.4366811507669115]
GPr-Netは、点雲の原型位相を捉える軽量で計算効率の良い幾何学的ネットワークである。 GPr-Netは、ポイントクラウド上の数ショット学習において最先端の手法よりも優れていることを示す。
論文参考訳（メタデータ） (2023-04-12T17:32:18Z)
Parameter is Not All You Need: Starting from Non-Parametric Networks for 3D Point Cloud Analysis [51.0695452455959]
本稿では3Dポイントクラウド解析のための非パラメトリックネットワークであるPoint-NNについて述べる。驚くべきことに、さまざまな3Dタスクでうまく機能し、パラメータやトレーニングを必要とせず、既存の完全に訓練されたモデルを超えています。
論文参考訳（メタデータ） (2023-03-14T17:59:02Z)
PointNorm: Dual Normalization is All You Need for Point Cloud Analysis [0.7971699294672281]
サンプリンググループ化作業の後に新しいDualNormモジュールを導入し,不規則性問題に効果的かつ効率的に対処する。デュアルノーム加群は、サンプリングされた点に対する群点の正規化を行う点正規化と、サンプリングされた点からグループ化された点への逆点正規化からなる。
論文参考訳（メタデータ） (2022-07-13T16:24:47Z)
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)
PRIN/SPRIN: On Extracting Point-wise Rotation Invariant Features [91.2054994193218]
点群解析における回転不変特徴抽出に着目した点集合学習フレームワークPRINを提案する。さらに、PRINをスパースポイントクラウド上で直接動作するSPRINと呼ばれるスパースバージョンに拡張します。その結果、ランダムに回転した点群を持つデータセットでは、SPRINはデータ拡張なしで最先端の方法よりも優れたパフォーマンスを発揮します。
論文参考訳（メタデータ） (2021-02-24T06:44:09Z)
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)
Local Grid Rendering Networks for 3D Object Detection in Point Clouds [98.02655863113154]
CNNは強力だが、全点の雲を高密度の3Dグリッドに酸化した後、点データに直接畳み込みを適用するのは計算コストがかかる。入力点のサブセットの小さな近傍を低解像度の3Dグリッドに独立してレンダリングする,新しい,原理化されたローカルグリッドレンダリング(LGR)演算を提案する。 ScanNetとSUN RGB-Dデータセットを用いた3次元オブジェクト検出のためのLGR-Netを検証する。
論文参考訳（メタデータ） (2020-07-04T13:57:43Z)
Triangle-Net: Towards Robustness in Point Cloud Learning [0.0]
本稿では, 回転, 位置シフト, スケーリングに対する不変性を同時に実現し, 点間隔に頑健な3次元分類手法を提案する。提案手法は,ModelNet 40分類タスクにおいて,ポイントネットと3DmFVをそれぞれ35.0%,28.1%で上回っている。
論文参考訳（メタデータ） (2020-02-27T20:42:32Z)
PointHop++: A Lightweight Learning Model on Point Sets for 3D Classification [55.887502438160304]
ポイントホップ法は、Zhangらによって、教師なし特徴抽出を伴う3Dポイントクラウド分類のために提案された。 1)モデルパラメータ数の観点からモデルの複雑さを減らし,2)クロスエントロピー基準に基づいて自動的に識別特徴を順序付けする。 ModelNet40ベンチマークデータセットで実施した実験により、PointHop++法がディープニューラルネットワーク(DNN)ソリューションと同等に動作し、他の教師なし特徴抽出法を上回る性能を示す。
論文参考訳（メタデータ） (2020-02-09T04:49:32Z)

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。