論文の概要: BAGNet: A Boundary-Aware Graph Attention Network for 3D Point Cloud Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2506.00475v1
• Date: Sat, 31 May 2025 08:51:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:33.0929
• Title: BAGNet: A Boundary-Aware Graph Attention Network for 3D Point Cloud Semantic Segmentation
• Title（参考訳）: BAGNet: 3Dポイントクラウドセマンティックセマンティックセグメンテーションのための境界対応グラフアテンションネットワーク
• Authors: Wei Tao, Xiaoyang Qu, Kai Lu, Jiguang Wan, Shenglin He, Jianzong Wang,
• Abstract要約: バウンダリー・アウェア・グラフ・アテンション・ネットワーク(BAGNet)と呼ばれる新しいグラフアテンション・ネットワークを開発した。 BAGNetには、境界対応のグラフアテンション層と、ポイントクラウドのグローバルな特徴を抽出する軽量アテンションプーリング層が含まれている。 ポイントクラウドセマンティックセグメンテーションにおける最先端の手法よりも精度が高く、推論時間も少ない。
• 参考スコア（独自算出の注目度）: 28.943480387462703
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Since the point cloud data is inherently irregular and unstructured, point cloud semantic segmentation has always been a challenging task. The graph-based method attempts to model the irregular point cloud by representing it as a graph; however, this approach incurs substantial computational cost due to the necessity of constructing a graph for every point within a large-scale point cloud. In this paper, we observe that boundary points possess more intricate spatial structural information and develop a novel graph attention network known as the Boundary-Aware Graph attention Network (BAGNet). On one hand, BAGNet contains a boundary-aware graph attention layer (BAGLayer), which employs edge vertex fusion and attention coefficients to capture features of boundary points, reducing the computation time. On the other hand, BAGNet employs a lightweight attention pooling layer to extract the global feature of the point cloud to maintain model accuracy. Extensive experiments on standard datasets demonstrate that BAGNet outperforms state-of-the-art methods in point cloud semantic segmentation with higher accuracy and less inference time.
• Abstract（参考訳）: ポイントクラウドデータは本質的に不規則であり、構造化されていないため、ポイントクラウドセマンティックセグメンテーションは常に困難なタスクである。 グラフベースの手法は不規則点雲をグラフとして表現することでモデル化しようとするが、大規模な点クラウド内のすべての点に対してグラフを構築する必要があるため、この手法は相当な計算コストを発生させる。 本稿では,境界点がより複雑な空間構造情報を持っていることを観察し,バウンダリー・アウェア・グラフ・アテンション・ネットワーク(BAGNet)と呼ばれる新しいグラフアテンション・ネットワークを開発する。 一方、BAGNetは境界対応グラフアテンション層(BAGLayer)を含み、エッジ頂点融合とアテンション係数を用いて境界点の特徴を捉え、計算時間を短縮する。 一方,BAGNetでは,ポイントクラウドのグローバルな特徴を抽出し,モデル精度を維持するために,軽量なアテンションプーリング層を採用している。 標準データセットに対する大規模な実験により、BAGNetは、ポイントクラウドセマンティックセグメンテーションにおける最先端のメソッドよりも精度が高く、推論時間も少ないことが示されている。

関連論文リスト

• Point-GR: Graph Residual Point Cloud Network for 3D Object Classification and Segmentation [2.4999074238880485]
  本稿では,非秩序な原点雲を高次元に変換するために設計された新しいディープラーニングアーキテクチャであるPoint-GRを提案する。 ネットワーク内の残差ベースの学習を導入し、ポイントクラウドデータの点置換問題を緩和する。 これは、S3DISベンチマークデータセットで73.47%の最先端のシーンセグメンテーション平均IoUを実現し、その有効性を示している。
  論文  参考訳（メタデータ） (2024-12-04T06:12:19Z)
• Deep Temporal Graph Clustering [77.02070768950145]
  深部時間グラフクラスタリング(GC)のための汎用フレームワークを提案する。 GCは、時間グラフの相互作用シーケンスに基づくバッチ処理パターンに適合するディープクラスタリング技術を導入している。 我々のフレームワークは、既存の時間グラフ学習手法の性能を効果的に向上させることができる。
  論文  参考訳（メタデータ） (2023-05-18T06:17:50Z)
• HPGNN: Using Hierarchical Graph Neural Networks for Outdoor Point Cloud Processing [0.7649716717097428]
  自律ナビゲーションのためのポイントクラウド処理の最近の改良により、我々は、処理に階層的なグラフニューラルネットワークを使うことに重点を置いている。 階層型グラフニューラルネットワーク(HPGNN)を提案する。 様々なレベルのグラフ粗さでノードの特徴を学習し、情報を抽出する。 これにより、既存のポイントレベルのグラフネットワークが達成に苦慮している詳細を保ちながら、大きなポイントクラウド上で学習することができる。
  論文  参考訳（メタデータ） (2022-06-05T11:18:09Z)
• 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)
• GraphMI: Extracting Private Graph Data from Graph Neural Networks [59.05178231559796]
  GNNを反転させてトレーニンググラフのプライベートグラフデータを抽出することを目的とした textbfGraph textbfModel textbfInversion attack (GraphMI) を提案する。 具体的には,グラフ特徴の空間性と滑らかさを保ちながら,グラフエッジの離散性に対処する勾配モジュールを提案する。 エッジ推論のためのグラフトポロジ、ノード属性、ターゲットモデルパラメータを効率的に活用するグラフ自動エンコーダモジュールを設計する。
  論文  参考訳（メタデータ） (2021-06-05T07:07:52Z)
• GSECnet: Ground Segmentation of Point Clouds for Edge Computing [7.481096704433562]
  GSECnetは、低電力エッジコンピューティングユニットにデプロイできるように設計された効率的な地上セグメンテーションフレームワークです。 本フレームワークは,デスクトッププラットフォーム上での135.2Hzのランタイム推定を実現する。
  論文  参考訳（メタデータ） (2021-04-05T04:29:28Z)
• Multi-scale Receptive Fields Graph Attention Network for Point Cloud Classification [35.88116404702807]
  MRFGATアーキテクチャはModelNet10とModelNet40データセットでテストされている。 その結果,形状分類作業における最先端性能が得られた。
  論文  参考訳（メタデータ） (2020-09-28T13:01:28Z)
• 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)
• Structural Temporal Graph Neural Networks for Anomaly Detection in Dynamic Graphs [54.13919050090926]
  本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。 特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。 抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
  論文  参考訳（メタデータ） (2020-05-15T09:17:08Z)
• Airborne LiDAR Point Cloud Classification with Graph Attention Convolution Neural Network [5.69168146446103]
  本稿では,空飛ぶLiDARにより得られる非構造化3次元点雲の分類に直接適用可能なグラフ注意畳み込みニューラルネットワーク(GACNN)を提案する。 提案するグラフアテンション・コンボリューション・モジュールに基づいて,GACNNと呼ばれるエンド・ツー・エンドのエンコーダ・デコーダネットワークを設計し,ポイント・クラウドのマルチスケールな特徴を捉える。 ISPRS 3Dラベリングデータセットの実験では、提案モデルが平均F1スコア(71.5%)と全精度(83.2%)で新しい最先端性能を達成することが示された。
  論文  参考訳（メタデータ） (2020-04-20T05:12:31Z)

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。