論文の概要: PointDGRWKV: Generalizing RWKV-like Architecture to Unseen Domains for Point Cloud Classification

• arxiv url: http://arxiv.org/abs/2508.20835v1
• Date: Thu, 28 Aug 2025 14:28:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-29 18:12:02.450806
• Title: PointDGRWKV: Generalizing RWKV-like Architecture to Unseen Domains for Point Cloud Classification
• Title（参考訳）: PointDGRWKV: ポイントクラウド分類のための未知領域へのRWKVライクなアーキテクチャの一般化
• Authors: Hao Yang, Qianyu Zhou, Haijia Sun, Xiangtai Li, Xuequan Lu, Lizhuang Ma, Shuicheng Yan,
• Abstract要約: ポイント領域一般化(DG)は、最近、ポイントクラウド分類(PCC)モデルの、目に見えない領域への一般化性を高めるために研究されている。 本稿では,DG PCCにおけるRWKVモデルの一般化可能性について述べる。 DG PCCに適したRWKVベースのフレームワークであるPointDGRWKVを提案する。
• 参考スコア（独自算出の注目度）: 122.95228430332816
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Domain Generalization (DG) has been recently explored to enhance the generalizability of Point Cloud Classification (PCC) models toward unseen domains. Prior works are based on convolutional networks, Transformer or Mamba architectures, either suffering from limited receptive fields or high computational cost, or insufficient long-range dependency modeling. RWKV, as an emerging architecture, possesses superior linear complexity, global receptive fields, and long-range dependency. In this paper, we present the first work that studies the generalizability of RWKV models in DG PCC. We find that directly applying RWKV to DG PCC encounters two significant challenges: RWKV's fixed direction token shift methods, like Q-Shift, introduce spatial distortions when applied to unstructured point clouds, weakening local geometric modeling and reducing robustness. In addition, the Bi-WKV attention in RWKV amplifies slight cross-domain differences in key distributions through exponential weighting, leading to attention shifts and degraded generalization. To this end, we propose PointDGRWKV, the first RWKV-based framework tailored for DG PCC. It introduces two key modules to enhance spatial modeling and cross-domain robustness, while maintaining RWKV's linear efficiency. In particular, we present Adaptive Geometric Token Shift to model local neighborhood structures to improve geometric context awareness. In addition, Cross-Domain key feature Distribution Alignment is designed to mitigate attention drift by aligning key feature distributions across domains. Extensive experiments on multiple benchmarks demonstrate that PointDGRWKV achieves state-of-the-art performance on DG PCC.
• Abstract（参考訳）: ドメイン一般化(DG)は、最近、ポイントクラウド分類(PCC)モデルの、目に見えない領域への一般化性を高めるために研究されている。 以前の作品は畳み込みネットワーク、Transformerアーキテクチャ、Mambaアーキテクチャをベースとしており、限られた受容領域や高い計算コストに悩まされているか、あるいは長距離依存モデリングが不十分である。 新興アーキテクチャとしてのRWKVは、より優れた線形複雑性、大域受容場、長距離依存を有する。 本稿では,DG PCCにおけるRWKVモデルの一般化可能性について検討する。 RWKVのQ-Shiftのような固定方向トークンシフト法は、非構造点雲に適用した場合の空間歪みを導入し、局所的な幾何学的モデリングを弱め、ロバスト性を低下させる。 さらに、RWKVにおけるBi-WKVの注目は指数重み付けによって鍵分布のクロスドメイン差をわずかに増幅し、注意シフトと一般化の低下をもたらす。 そこで本研究では,DG PCC用に開発された最初のRWKVベースのフレームワークであるPointDGRWKVを提案する。 RWKVの線形効率を維持しつつ、空間モデリングとクロスドメインロバスト性を高めるために、2つの重要なモジュールを導入している。 特に,アダプティブ・ジオメトリ・トークン・シフト(Adaptive Geometric Token Shift)を提案する。 さらに、クロスドメインキーの特徴分布アライメントは、ドメイン間の重要な特徴分布を整列させることで、注目のドリフトを軽減するように設計されている。 複数のベンチマークでの大規模な実験により、PointDGRWKVはDG PCC上で最先端の性能を達成することが示された。

関連論文リスト

• Generative Classifier for Domain Generalization [84.92088101715116]
  ドメインの一般化は、分散シフトに対するコンピュータビジョンモデルの一般化性を目的としている。 生成駆動型ドメイン一般化(GCDG)を提案する。 GCDGは3つの重要なモジュールから構成される: 異種性学習(HLC)、純粋相関(SCB)、横成分バランス(DCB)。
  論文  参考訳（メタデータ） (2025-04-03T04:38:33Z)
• PointDGMamba: Domain Generalization of Point Cloud Classification via Generalized State Space Model [77.00221501105788]
  領域一般化(DG)は、最近、点雲分類の一般化性を改善するために研究されている。 本稿では、DG PCCにおける状態空間モデル(SSM)の一般化可能性について研究する。 本稿では,未知の領域に対して強い一般化性を持つ新しいフレームワークであるPointDGMambaを提案する。
  論文  参考訳（メタデータ） (2024-08-24T12:53:48Z)
• Predicting Transonic Flowfields in Non-Homogeneous Unstructured Grids Using Autoencoder Graph Convolutional Networks [0.0]
  本稿では,計算流体力学(CFD)においてよく用いられる非均一非構造格子による問題に対処することに焦点を当てる。 我々のアプローチの核となるのは幾何学的深層学習、特にグラフ畳み込みネットワーク(GCN)の利用である。 新規なAutoencoder GCNアーキテクチャは、情報を遠隔ノードに伝播し、影響力のある点を強調することにより、予測精度を向上させる。
  論文  参考訳（メタデータ） (2024-05-07T15:18:21Z)
• Gradient Alignment for Cross-Domain Face Anti-Spoofing [26.517887637150594]
  本稿では,新たな学習目標であるGAC-FASを紹介する。 従来のシャープネス対応最小化器とは異なり、GAC-FASは各領域の上昇点を特定し、一般化勾配の更新を制御する。 ドメイン間FASデータセットの厳密な検証によりGAC-FASの有効性を実証する。
  論文  参考訳（メタデータ） (2024-02-29T02:57:44Z)
• Towards Uncovering the Intrinsic Data Structures for Unsupervised Domain Adaptation using Structurally Regularized Deep Clustering [119.88565565454378]
  Unsupervised Domain Adapt (UDA) は、ターゲットドメイン上のラベルなしデータの予測を行う分類モデルを学ぶことである。 本稿では,対象データの正規化判別クラスタリングと生成クラスタリングを統合する構造的正規化深層クラスタリングのハイブリッドモデルを提案する。 提案するH-SRDCは, インダクティブ設定とトランスダクティブ設定の両方において, 既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2020-12-08T08:52:00Z)

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。