論文の概要: DG-MVP: 3D Domain Generalization via Multiple Views of Point Clouds for Classification

• arxiv url: http://arxiv.org/abs/2504.12456v1
• Date: Wed, 16 Apr 2025 19:43:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-18 14:37:05.647611
• Title: DG-MVP: 3D Domain Generalization via Multiple Views of Point Clouds for Classification
• Title（参考訳）: DG-MVP: 分類のための点雲の複数ビューによる3次元領域の一般化
• Authors: Huantao Ren, Minmin Yang, Senem Velipasalar,
• Abstract要約: ディープニューラルネットワークは3Dポイントクラウド分類において大きな成功を収めている。 本稿では,3次元クラウド領域の一般化問題に焦点をあてる。 本稿では,3次元点雲領域の一般化手法を提案する。
• 参考スコア（独自算出の注目度）: 10.744510913722817
• License:
• Abstract: Deep neural networks have achieved significant success in 3D point cloud classification while relying on large-scale, annotated point cloud datasets, which are labor-intensive to build. Compared to capturing data with LiDAR sensors and then performing annotation, it is relatively easier to sample point clouds from CAD models. Yet, data sampled from CAD models is regular, and does not suffer from occlusion and missing points, which are very common for LiDAR data, creating a large domain shift. Therefore, it is critical to develop methods that can generalize well across different point cloud domains. %In this paper, we focus on the 3D point cloud domain generalization problem. Existing 3D domain generalization methods employ point-based backbones to extract point cloud features. Yet, by analyzing point utilization of point-based methods and observing the geometry of point clouds from different domains, we have found that a large number of point features are discarded by point-based methods through the max-pooling operation. This is a significant waste especially considering the fact that domain generalization is more challenging than supervised learning, and point clouds are already affected by missing points and occlusion to begin with. To address these issues, we propose a novel method for 3D point cloud domain generalization, which can generalize to unseen domains of point clouds. Our proposed method employs multiple 2D projections of a 3D point cloud to alleviate the issue of missing points and involves a simple yet effective convolution-based model to extract features. The experiments, performed on the PointDA-10 and Sim-to-Real benchmarks, demonstrate the effectiveness of our proposed method, which outperforms different baselines, and can transfer well from synthetic domain to real-world domain.
• Abstract（参考訳）: ディープニューラルネットワークは、大規模で注釈付きポイントクラウドデータセットに依存しながら、3Dポイントクラウド分類において大きな成功を収めている。 LiDARセンサーでデータをキャプチャしてアノテーションを実行するのに比べ、CADモデルから点雲をサンプリングするのは比較的容易である。 しかし、CADモデルからサンプリングされたデータは正規であり、LiDARデータによく見られる閉塞や欠落点に悩まされず、大きなドメインシフトを生み出す。 したがって、異なるポイント・クラウド・ドメインにまたがってうまく一般化できる手法を開発することが重要である。 % 本稿では,3次元クラウド領域の一般化問題に焦点をあてる。 既存の3Dドメインの一般化手法では、点ベースのバックボーンを用いて点雲の特徴を抽出する。 しかし,点ベース手法の点利用を解析し,異なる領域からの点雲の幾何を観察することにより,最大プール操作により点ベース手法によって多数の点特徴が破棄されることが判明した。 これは特に、ドメインの一般化が教師付き学習よりも難しいことや、点雲が最初から欠落した点や閉塞の影響を受けていることを考えると、大きな無駄である。 これらの問題に対処するために,3次元点領域の一般化手法を提案する。 提案手法では, 3次元点雲の複数の2次元投影を用いて, 欠落点の問題を緩和し, 特徴を抽出する単純な畳み込みモデルを用いる。 The experiment performed on the PointDA-10 and Sim-to-Real benchmarks, showed the effect of our proposed method which are proforming different baselines, and can be well transfer from synthetic domain to real-world domain。

関連論文リスト

• PIVOT-Net: Heterogeneous Point-Voxel-Tree-based Framework for Point Cloud Compression [8.778300313732027]
  異種クラウド圧縮(PCC)フレームワークを提案する。 私たちは、典型的なポイントクラウド表現 -- ポイントベース、ボクセルベース、ツリーベース表現 -- と関連するバックボーンを統一します。 本稿では,デコードのためのコンテキスト対応アップサンプリングと,機能集約のための拡張ボクセルトランスフォーマーによりフレームワークを増強する。
  論文  参考訳（メタデータ） (2024-02-11T16:57:08Z)
• InvariantOODG: Learning Invariant Features of Point Clouds for Out-of-Distribution Generalization [17.96808017359983]
  本稿では,異なる分布を持つ点雲間の不変性を学習するInvariantOODGを提案する。 学習可能なアンカーポイントの集合を定義し、最も有用な局所領域と入力点の雲を増大させる2種類の変換を定義する。 実験により,提案モデルが3次元領域一般化ベンチマークに与える影響を実証した。
  論文  参考訳（メタデータ） (2024-01-08T09:41:22Z)
• 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)
• 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)
• PointAttN: You Only Need Attention for Point Cloud Completion [89.88766317412052]
  ポイント・クラウド・コンプリート(Point cloud completion)とは、部分的な3次元ポイント・クラウドから3次元の形状を完成させることである。 そこで我々は,kNNを除去するために,ポイントクラウドをポイント単位に処理する新しいニューラルネットワークを提案する。 提案するフレームワークであるPointAttNはシンプルで簡潔で効果的であり、3次元形状の構造情報を正確に捉えることができる。
  論文  参考訳（メタデータ） (2022-03-16T09:20:01Z)
• A Conditional Point Diffusion-Refinement Paradigm for 3D Point Cloud Completion [69.32451612060214]
  実スキャンされた3Dポイントクラウドはしばしば不完全であり、下流アプリケーションのために完全なポイントクラウドを復元することが重要である。 ほとんどの既存のポイントクラウド補完方法は、トレーニングにチャンファー距離(CD)損失を使用する。 本稿では,点雲完了のためのPDR(Point Diffusion-Refinement)パラダイムを提案する。
  論文  参考訳（メタデータ） (2021-12-07T06:59:06Z)
• 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)
• OMNet: Learning Overlapping Mask for Partial-to-Partial Point Cloud Registration [31.108056345511976]
  OMNetは、部分から部分へのポイントクラウド登録のためのグローバル機能ベースの反復ネットワークです。 マスクを粗雑に学習し,重複しない領域を拒絶し,部分から部分への登録を同一形状の登録に変換する。
  論文  参考訳（メタデータ） (2021-03-01T11:59:59Z)
• GRNet: Gridding Residual Network for Dense Point Cloud Completion [54.43648460932248]
  完全な3Dポイントクラウドを不完全なクラウドから推定することは、多くのビジョンやロボティクスアプリケーションにおいて重要な問題である。 本稿では,ポイントクラウド補完のための新しいGridding Residual Network(GRNet)を提案する。 実験結果から,提案したGRNetはShapeNet,Completion3D,KITTIベンチマークの最先端手法に対して良好に動作することがわかった。
  論文  参考訳（メタデータ） (2020-06-06T02:46:39Z)

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。