論文の概要: HiPoNet: A Topology-Preserving Multi-View Neural Network For High Dimensional Point Cloud and Single-Cell Data

• arxiv url: http://arxiv.org/abs/2502.07746v1
• Date: Tue, 11 Feb 2025 18:13:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-12 14:05:58.631127
• Title: HiPoNet: A Topology-Preserving Multi-View Neural Network For High Dimensional Point Cloud and Single-Cell Data
• Title（参考訳）: HiPoNet: 高次元ポイントクラウドとシングルセルデータのためのトポロジ保存型マルチビューニューラルネットワーク
• Authors: Siddharth Viswanath, Hiren Madhu, Dhananjay Bhaskar, Jake Kovalic, Dave Johnson, Rex Ying, Christopher Tape, Ian Adelstein, Michael Perlmutter, Smita Krishnaswamy,
• Abstract要約: HiPoNetは、高次元の点雲上での回帰、分類、表現学習のためのエンドツーエンドの微分可能なニューラルネットワークである。 HiPoNetは単一セル上での最先端のポイントクラウドやグラフベースのモデルよりも大幅に優れていることを示す。
• 参考スコア（独自算出の注目度）: 13.847283649760282
• License:
• Abstract: In this paper, we propose HiPoNet, an end-to-end differentiable neural network for regression, classification, and representation learning on high-dimensional point clouds. Single-cell data can have high dimensionality exceeding the capabilities of existing methods point cloud tailored for 3D data. Moreover, modern single-cell and spatial experiments now yield entire cohorts of datasets (i.e. one on every patient), necessitating models that can process large, high-dimensional point clouds at scale. Most current approaches build a single nearest-neighbor graph, discarding important geometric information. In contrast, HiPoNet forms higher-order simplicial complexes through learnable feature reweighting, generating multiple data views that disentangle distinct biological processes. It then employs simplicial wavelet transforms to extract multi-scale features - capturing both local and global topology. We empirically show that these components preserve topological information in the learned representations, and that HiPoNet significantly outperforms state-of-the-art point-cloud and graph-based models on single cell. We also show an application of HiPoNet on spatial transcriptomics datasets using spatial co-ordinates as one of the views. Overall, HiPoNet offers a robust and scalable solution for high-dimensional data analysis.
• Abstract（参考訳）: 本稿では,高次元点雲上での回帰,分類,表現学習のための,エンドツーエンドで微分可能なニューラルネットワークであるHiPoNetを提案する。 シングルセルデータは、既存の3Dデータに適したポイントクラウドの能力を上回る高次元性を持つことができる。 さらに、現代の単細胞および空間実験は、大規模で高次元の点雲を大規模に処理できるモデルを必要とする、データセットの全コホート(すなわち、患者の1つ)を生み出している。 現在のほとんどのアプローチは、重要な幾何学的情報を捨て、隣り合う1つのグラフを構築している。 対照的に、HiPoNetは学習可能な機能再重み付けによって高次の単純な複合体を形成し、異なる生物学的プロセスをアンタングルする複数のデータビューを生成する。 その後、単純なウェーブレット変換を使用して、局所的およびグローバルなトポロジをキャプチャして、マルチスケールの特徴を抽出する。 実験により、これらのコンポーネントは、学習した表現のトポロジ情報を保持し、HiPoNetは、単一セル上での最先端のポイントクラウドおよびグラフベースのモデルよりも著しく優れていることを示す。 また,空間的コオーディネートをビューの1つとして用いた空間転写学データセットへのHiPoNetの適用について述べる。 HiPoNetは、高次元データ分析のための堅牢でスケーラブルなソリューションを提供する。

関連論文リスト

• PointeNet: A Lightweight Framework for Effective and Efficient Point Cloud Analysis [28.54939134635978]
  PointeNetは、ポイントクラウド分析に特化したネットワークである。 本手法は,分類/分割ヘッドとシームレスに統合したり,市販の3Dオブジェクト検出ネットワークに埋め込んだりすることで,柔軟性を示す。 ModelNet40、ScanObjectNN、ShapeNet KITTI、およびシーンレベルのデータセットKITTIを含むオブジェクトレベルのデータセットの実験は、ポイントクラウド分析における最先端メソッドよりもPointeNetの方が優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2023-12-20T03:34:48Z)
• Patch-Wise Point Cloud Generation: A Divide-and-Conquer Approach [83.05340155068721]
  分割・分散アプローチを用いた新しい3dポイントクラウド生成フレームワークを考案する。 すべてのパッチジェネレータは学習可能な事前情報に基づいており、幾何学的プリミティブの情報を取得することを目的としている。 最も人気のあるポイントクラウドデータセットであるShapeNetのさまざまなオブジェクトカテゴリに関する実験結果は、提案したパッチワイドポイントクラウド生成の有効性を示している。
  論文  参考訳（メタデータ） (2023-07-22T11:10:39Z)
• Low-Resource White-Box Semantic Segmentation of Supporting Towers on 3D Point Clouds via Signature Shape Identification [52.77024349608834]
  SCENE-Netは3Dポイントクラウドセマンティックセグメンテーションのための低リソースのホワイトボックスモデルである。 ラップトップでのトレーニング時間は85分、推論時間は20ミリ秒です。 40000 Kmというラベル付きラベル付きデータセットを、農村の地形点雲とコード実装のデータセットとしてリリースしています。
  論文  参考訳（メタデータ） (2023-06-13T14:36:06Z)
• Dynamic Clustering Transformer Network for Point Cloud Segmentation [23.149220817575195]
  動的クラスタリングトランスネットワーク(DCTNet)と呼ばれる新しい3Dポイントクラウド表現ネットワークを提案する。 エンコーダ-デコーダアーキテクチャがあり、ローカルとグローバルの両方の機能学習が可能である。 提案手法は,オブジェクトベースデータセット(ShapeNet),都市ナビゲーションデータセット(Toronto-3D),マルチスペクトルLiDARデータセットを用いて評価した。
  論文  参考訳（メタデータ） (2023-05-30T01:11:05Z)
• Variational Relational Point Completion Network for Robust 3D Classification [59.80993960827833]
  可変点雲補完法は、局所的な詳細を欠くため、大域的な形状の骨格を生成する傾向がある。 本稿では2つの魅力的な特性を持つ変分フレームワークであるポイントコンプリートネットワーク(VRCNet)を提案する。 VRCNetは、現実世界のポイントクラウドスキャンにおいて、非常に一般化性と堅牢性を示している。
  論文  参考訳（メタデータ） (2023-04-18T17:03:20Z)
• 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)
• GFNet: Geometric Flow Network for 3D Point Cloud Semantic Segmentation [91.15865862160088]
  本稿では,異なるビュー間の幾何対応性を検討するための幾何フローネットワーク (GFNet) を提案する。 具体的には、異なる視点にまたがって補完情報を双方向に整列し、伝播する新しい幾何フローモジュール(GFM)を考案する。
  論文  参考訳（メタデータ） (2022-07-06T11:48:08Z)
• Learning Semantic Segmentation of Large-Scale Point Clouds with Random Sampling [52.464516118826765]
  我々はRandLA-Netを紹介した。RandLA-Netは、大規模ポイントクラウドのポイントごとの意味を推論する、効率的で軽量なニューラルネットワークアーキテクチャである。 我々のアプローチの鍵は、より複雑な点選択アプローチではなく、ランダムな点サンプリングを使用することである。 我々のRandLA-Netは、既存のアプローチよりも最大200倍高速な1回のパスで100万ポイントを処理できます。
  論文  参考訳（メタデータ） (2021-07-06T05:08:34Z)
• MG-SAGC: A multiscale graph and its self-adaptive graph convolution network for 3D point clouds [6.504546503077047]
  点群の多スケールグラフ生成法を提案する。 このアプローチは、ポイントクラウドを、スケール空間におけるポイントクラウドのマルチスケール分析をサポートする構造化マルチスケールグラフ形式に変換する。 従来の畳み込みニューラルネットワークは不規則な近傍を持つグラフデータには適用できないため,チェビシェフグラフを用いて不規則な畳み込みフィルタに適合するセフ適応畳み込みカーネルを提案する。
  論文  参考訳（メタデータ） (2020-12-23T01:58:41Z)
• 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)
• TearingNet: Point Cloud Autoencoder to Learn Topology-Friendly Representations [20.318695890515613]
  本稿では,固定長ディスクリプタを用いたポイントクラウドの表現に挑戦する自動エンコーダTearingNetを提案する。 我々のTeringNetは、提案されたTeringネットワークモジュールと、相互に反復的に相互作用するFoldingネットワークモジュールによって特徴付けられる。 実験は、点雲の再構成や、ベンチマークよりもトポロジに優しい表現を生成するという点で、我々の提案の優位性を示している。
  論文  参考訳（メタデータ） (2020-06-17T22:42:43Z)

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。