論文の概要: Enhancing 3D Point Cloud Classification with ModelNet-R and Point-SkipNet

• arxiv url: http://arxiv.org/abs/2509.05198v1
• Date: Fri, 05 Sep 2025 15:57:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-08 14:27:25.640649
• Title: Enhancing 3D Point Cloud Classification with ModelNet-R and Point-SkipNet
• Title（参考訳）: ModelNet-RとPoint-SkipNetによる3Dポイントクラウド分類の強化
• Authors: Mohammad Saeid, Amir Salarpour, Pedram MohajerAnsari,
• Abstract要約: 3Dポイントクラウドの分類は、自律運転、ロボティクス、拡張現実などのアプリケーションに不可欠である。 一般的に使用されるModelNet40データセットは、一貫性のないラベル付け、2Dデータ、サイズミスマッチ、不適切なクラス分化といった制限に悩まされている。 本稿では,これらの問題に対処し,信頼性の高いベンチマークとして機能するModelNet40の細かな改良版であるModelNet-Rを紹介する。
• 参考スコア（独自算出の注目度）: 1.0923877073891444
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The classification of 3D point clouds is crucial for applications such as autonomous driving, robotics, and augmented reality. However, the commonly used ModelNet40 dataset suffers from limitations such as inconsistent labeling, 2D data, size mismatches, and inadequate class differentiation, which hinder model performance. This paper introduces ModelNet-R, a meticulously refined version of ModelNet40 designed to address these issues and serve as a more reliable benchmark. Additionally, this paper proposes Point-SkipNet, a lightweight graph-based neural network that leverages efficient sampling, neighborhood grouping, and skip connections to achieve high classification accuracy with reduced computational overhead. Extensive experiments demonstrate that models trained in ModelNet-R exhibit significant performance improvements. Notably, Point-SkipNet achieves state-of-the-art accuracy on ModelNet-R with a substantially lower parameter count compared to contemporary models. This research highlights the crucial role of dataset quality in optimizing model efficiency for 3D point cloud classification. For more details, see the code at: https://github.com/m-saeid/ModeNetR_PointSkipNet.
• Abstract（参考訳）: 3Dポイントクラウドの分類は、自律運転、ロボティクス、拡張現実などのアプリケーションに不可欠である。 しかし、一般的に使用されるModelNet40データセットは、一貫性のないラベル付け、2Dデータ、サイズミスマッチ、モデルパフォーマンスを妨げる不適切なクラス分化といった制限に悩まされている。 本稿では,これらの問題に対処し,信頼性の高いベンチマークとして機能するModelNet40の細かな改良版であるModelNet-Rを紹介する。 さらに,効率的なサンプリング,近傍グループ化,スキップ接続を活用する軽量なグラフベースニューラルネットワークであるPoint-SkipNetを提案し,計算オーバーヘッドを低減して高い分類精度を実現する。 大規模な実験では、ModelNet-Rでトレーニングされたモデルは、大幅なパフォーマンス向上を示す。 特に、Point-SkipNetは、現在のモデルに比べてパラメータ数がかなり低いModelNet-Rの最先端の精度を実現している。 本研究は,3次元点クラウド分類におけるモデル効率の最適化におけるデータセット品質の重要性を強調した。 詳細はhttps://github.com/m-saeid/ModeNetR_PointSkipNetを参照してください。

関連論文リスト

• Lightweight Remote Sensing Scene Classification on Edge Devices via Knowledge Distillation and Early-exit [9.227971758519818]
  本稿では,蒸留グローバルフィルタネットワーク(GFNet)モデルとエッジデバイス用に設計された早期出力機構を備えた軽量RSSCフレームワークを提案する。 4つのデータセットにまたがる3つのエッジデバイス上でのE3Cモデルの評価を行った。 モデル推論では平均1.3倍のスピードアップ、エネルギー効率では40%以上向上し、高い分類精度を維持している。
  論文  参考訳（メタデータ） (2025-07-28T08:36:36Z)
• Comparative Analysis of Lightweight Deep Learning Models for Memory-Constrained Devices [0.0]
  CIFAR-10、CIFAR-100、Tiny ImageNetの3つの異なるデータセットで、最先端の5つのアーキテクチャがベンチマークされている。 モデルは、分類精度、推測時間、浮動小数点演算(FLOP)、モデルサイズという4つの重要なパフォーマンス指標を用いて評価される。
  論文  参考訳（メタデータ） (2025-05-06T08:36:01Z)
• 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)
• A Tiny Machine Learning Model for Point Cloud Object Classification [49.16961132283838]
  我々は,ポイントクラウドオブジェクトのマルチスケール表現を,複雑性低減のための単一スケール表現に置き換える。 我々は、点雲オブジェクトのリッチな3次元幾何情報を利用して性能を向上する。 提案手法は計算量が少ないためGreen-PointHopと名付けられた。
  論文  参考訳（メタデータ） (2023-03-20T06:35:46Z)
• Rethinking Voxelization and Classification for 3D Object Detection [68.8204255655161]
  LiDARポイントクラウドからの3Dオブジェクト検出の主な課題は、ネットワークの信頼性に影響を与えることなく、リアルタイムのパフォーマンスを実現することである。 本稿では,高速な動的ボキセラライザを実装することにより,ネットワークの推論速度と精度を同時に向上するソリューションを提案する。 さらに,予測対象を分類し,偽検出対象をフィルタリングする軽量検出サブヘッドモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-10T16:22:04Z)
• Part-Based Models Improve Adversarial Robustness [57.699029966800644]
  人間の事前知識とエンドツーエンドの学習を組み合わせることで、ディープニューラルネットワークの堅牢性を向上させることができることを示す。 我々のモデルは、部分分割モデルと小さな分類器を組み合わせて、オブジェクトを同時に部品に分割するようにエンドツーエンドに訓練されている。 実験の結果,これらのモデルによりテクスチャバイアスが低減され,一般的な汚職に対する堅牢性が向上し,相関が急上昇することが示唆された。
  論文  参考訳（メタデータ） (2022-09-15T15:41:47Z)
• Real-time Human Detection Model for Edge Devices [0.0]
  畳み込みニューラルネットワーク(CNN)は、検出と分類タスクにおいて、従来の特徴抽出と機械学習モデルを置き換える。 最近、リアルタイムタスクのために軽量CNNモデルが導入されている。 本稿では,Raspberry Piのような限られたエッジデバイスに適合するCNNベースの軽量モデルを提案する。
  論文  参考訳（メタデータ） (2021-11-20T18:42:17Z)
• ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
  本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。 提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。 生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
  論文  参考訳（メタデータ） (2021-05-07T11:39:05Z)
• 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)
• 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)

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。