論文の概要: Boosting the Class-Incremental Learning in 3D Point Clouds via Zero-Collection-Cost Basic Shape Pre-Training

• arxiv url: http://arxiv.org/abs/2504.08412v1
• Date: Fri, 11 Apr 2025 10:18:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-14 14:18:49.570686
• Title: Boosting the Class-Incremental Learning in 3D Point Clouds via Zero-Collection-Cost Basic Shape Pre-Training
• Title（参考訳）: ゼロコレクション・コスト基本形状事前学習による3次元点雲におけるクラスインクリメンタル学習の促進
• Authors: Chao Qi, Jianqin Yin, Meng Chen, Yingchun Niu, Yuan Sun,
• Abstract要約: 既存の3Dポイントクラウドにおけるクラスインクリメンタル学習手法は、モデルを忘れることに抵抗する例に頼っている。 経験のない漸進学習では、事前学習されたモデル手法が2Dドメインで最先端の結果を得た。 本稿では,点雲における漸進学習のための3次元幾何学知識を組み込んだフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 12.652126803856065
• License:
• Abstract: Existing class-incremental learning methods in 3D point clouds rely on exemplars (samples of former classes) to resist the catastrophic forgetting of models, and exemplar-free settings will greatly degrade the performance. For exemplar-free incremental learning, the pre-trained model methods have achieved state-of-the-art results in 2D domains. However, these methods cannot be migrated to the 3D domains due to the limited pre-training datasets and insufficient focus on fine-grained geometric details. This paper breaks through these limitations, proposing a basic shape dataset with zero collection cost for model pre-training. It helps a model obtain extensive knowledge of 3D geometries. Based on this, we propose a framework embedded with 3D geometry knowledge for incremental learning in point clouds, compatible with exemplar-free (-based) settings. In the incremental stage, the geometry knowledge is extended to represent objects in point clouds. The class prototype is calculated by regularizing the data representation with the same category and is kept adjusting in the learning process. It helps the model remember the shape features of different categories. Experiments show that our method outperforms other baseline methods by a large margin on various benchmark datasets, considering both exemplar-free (-based) settings.
• Abstract（参考訳）: 既存の3Dポイントクラウドにおけるクラス増分学習手法は、モデルの破滅的な忘れ込みに抵抗する模範(旧クラスのサンプル)に依存しており、模範のない設定では性能が大幅に低下する。 経験のない漸進学習では、事前学習されたモデル手法が2Dドメインで最先端の結果を得た。 しかし、これらの手法は、訓練前のデータセットが限られており、細かい幾何学的詳細に焦点が当てられていないため、3Dドメインに移行することはできない。 本稿では,モデルの事前学習に要する収集コストをゼロとした基本形状データセットを提案する。 モデルが3次元幾何学の広範な知識を得るのに役立つ。 そこで本研究では,ポイントクラウドにおけるインクリメンタル学習のための3次元幾何学知識を組み込んだフレームワークを提案する。 漸進的な段階では、幾何学的知識は点雲内の物体を表現するために拡張される。 クラスプロトタイプは同じカテゴリでデータ表現を正規化して計算し、学習過程において調整を続ける。 モデルは、異なるカテゴリの形状の特徴を記憶するのに役立ちます。 実験の結果,提案手法は,各ベンチマークデータセットに比較して,他のベースライン手法よりも優れていることがわかった。

関連論文リスト

• Leveraging Large-Scale Pretrained Vision Foundation Models for Label-Efficient 3D Point Cloud Segmentation [67.07112533415116]
  本稿では3Dポイントクラウドセグメンテーションタスクに様々な基礎モデルを適用する新しいフレームワークを提案する。 我々のアプローチでは、異なる大きな視覚モデルを用いて2次元セマンティックマスクの初期予測を行う。 本研究では,ロバストな3Dセマンティックな擬似ラベルを生成するために,投票による全ての結果を効果的に組み合わせたセマンティックなラベル融合戦略を提案する。
  論文  参考訳（メタデータ） (2023-11-03T15:41:15Z)
• Clustering based Point Cloud Representation Learning for 3D Analysis [80.88995099442374]
  本稿では,ポイントクラウド分析のためのクラスタリングに基づく教師付き学習手法を提案する。 現在のデファクトでシーンワイドなトレーニングパラダイムとは異なり、我々のアルゴリズムは点埋め込み空間上でクラス内のクラスタリングを行う。 我々のアルゴリズムは、有名なポイントクラウドセグメンテーションデータセットの顕著な改善を示している。
  論文  参考訳（メタデータ） (2023-07-27T03:42:12Z)
• PointCLIMB: An Exemplar-Free Point Cloud Class Incremental Benchmark [11.992472563628283]
  私たちは、Point Cloudsでの卓越したフリークラスインクリメンタルラーニングを活用するパイオニアです。 3D Exemplar自由クラスインクリメンタルラーニングのためのベンチマークをセットアップする。 3D-Exemplar Free Class Incremental Learning フレームワーク上での各種バックボーンの性能について検討する。
  論文  参考訳（メタデータ） (2023-04-13T18:47:29Z)
• StarNet: Style-Aware 3D Point Cloud Generation [82.30389817015877]
  StarNetは、マッピングネットワークを使用して高忠実度および3Dポイントクラウドを再構築し、生成することができる。 我々のフレームワークは、クラウドの再構築と生成タスクにおいて、様々なメトリクスで同等の最先端のパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2023-03-28T08:21:44Z)
• P2P: Tuning Pre-trained Image Models for Point Cloud Analysis with Point-to-Pixel Prompting [94.11915008006483]
  本稿では,ポイントクラウド解析のための新しいポイント・ツー・Pixelを提案する。 ScanObjectNNの最も難しい設定では,89.3%の精度が得られる。 また,本フレームワークは,ModelNet分類とShapeNet Part Codeで非常に競争力のある性能を示す。
  論文  参考訳（メタデータ） (2022-08-04T17:59:03Z)
• MetaSets: Meta-Learning on Point Sets for Generalizable Representations [100.5981809166658]
  本稿では,3次元領域一般化(DDG)の新たな課題について検討し,学習過程においてそれらにアクセスすることなく,他の目に見えない点雲の領域にモデルを一般化することを目的とする。 本稿ではメタセットを用いてこの問題に対処することを提案する。メタ学習は、慎重に設計された変換された点集合上の分類タスク群からポイントクラウド表現を抽出する。 実験結果から,MetaSetsは既存の3次元深層学習手法よりも大きなマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2022-04-15T03:24:39Z)
• Point Discriminative Learning for Unsupervised Representation Learning on 3D Point Clouds [54.31515001741987]
  3次元点雲上での教師なし表現学習のための点識別学習法を提案する。 我々は、中間レベルとグローバルレベルの特徴に新しい点識別損失を課すことにより、これを達成した。 提案手法は強力な表現を学習し,新しい最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-08-04T15:11:48Z)
• Learning Compositional Shape Priors for Few-Shot 3D Reconstruction [36.40776735291117]
  複雑なエンコーダ・デコーダアーキテクチャが,カテゴリごとの大量のデータを利用することを示す。 データから直接クラス固有のグローバルな形状を学習する3つの方法を提案する。 人気のShapeNetデータセットの実験から,本手法はゼロショットベースラインを40%以上上回る性能を示した。
  論文  参考訳（メタデータ） (2021-06-11T14:55:49Z)
• Learning Generative Models of Textured 3D Meshes from Real-World Images [26.353307246909417]
  このようなアノテーションを使わずに,テクスチャ付きトライアングルメッシュを生成するganフレームワークを提案する。 我々のアプローチのパフォーマンスは、基礎となるキーポイントに依存する以前の作業と同等であることを示します。
  論文  参考訳（メタデータ） (2021-03-29T14:07:37Z)
• Point Transformer for Shape Classification and Retrieval of 3D and ALS Roof PointClouds [3.3744638598036123]
  本稿では,リッチポイントクラウド表現の導出を目的とした,完全注意モデルであるem Point Transformerを提案する。 モデルの形状分類と検索性能は,大規模都市データセット - RoofN3D と標準ベンチマークデータセット ModelNet40 で評価される。 提案手法は、RoofN3Dデータセットの他の最先端モデルよりも優れており、ModelNet40ベンチマークで競合する結果を与え、目に見えない点の破損に対して高い堅牢性を示す。
  論文  参考訳（メタデータ） (2020-11-08T08:11:02Z)
• PointManifold: Using Manifold Learning for Point Cloud Classification [5.705680763604835]
  本稿では,グラフニューラルネットワークと多様体学習に基づく点雲分類手法を提案する。 本稿では,平面上の連続性を考慮し,点雲の特徴を埋め込むために,多様体学習アルゴリズムを用いる。 実験により、提案した点雲分類法は90.2%の平均クラス精度(mA)と93.2%の総合クラス精度(oA)が得られることが示された。
  論文  参考訳（メタデータ） (2020-10-14T16:28:19Z)

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。