論文の概要: Joint graph entropy knowledge distillation for point cloud classification and robustness against corruptions

• arxiv url: http://arxiv.org/abs/2509.22150v1
• Date: Fri, 26 Sep 2025 10:09:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 20:57:54.359258
• Title: Joint graph entropy knowledge distillation for point cloud classification and robustness against corruptions
• Title（参考訳）: 点雲分類のための合同グラフエントロピー知識蒸留と汚職に対する堅牢性
• Authors: Zhiqiang Tian, Weigang Li, Junwei Hu, Chunhua Deng,
• Abstract要約: 本研究は,textbfJoint textbfGraph textbfEntropy textbfKnowledge textbfDistillation (JGEKD)の分類戦略を提案する。 非独立かつ同一に分散された3Dポイントクラウドデータに適している。
• 参考スコア（独自算出の注目度）: 10.542089405263788
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Classification tasks in 3D point clouds often assume that class events \replaced{are }{follow }independent and identically distributed (IID), although this assumption destroys the correlation between classes. This \replaced{study }{paper }proposes a classification strategy, \textbf{J}oint \textbf{G}raph \textbf{E}ntropy \textbf{K}nowledge \textbf{D}istillation (JGEKD), suitable for non-independent and identically distributed 3D point cloud data, \replaced{which }{the strategy } achieves knowledge transfer of class correlations through knowledge distillation by constructing a loss function based on joint graph entropy. First\deleted{ly}, we employ joint graphs to capture add{the }hidden relationships between classes\replaced{ and}{,} implement knowledge distillation to train our model by calculating the entropy of add{add }graph.\replaced{ Subsequently}{ Then}, to handle 3D point clouds \deleted{that is }invariant to spatial transformations, we construct \replaced{S}{s}iamese structures and develop two frameworks, self-knowledge distillation and teacher-knowledge distillation, to facilitate information transfer between different transformation forms of the same data. \replaced{In addition}{ Additionally}, we use the above framework to achieve knowledge transfer between point clouds and their corrupted forms, and increase the robustness against corruption of model. Extensive experiments on ScanObject, ModelNet40, ScanntV2\_cls and ModelNet-C demonstrate that the proposed strategy can achieve competitive results.
• Abstract（参考訳）: 3Dポイントクラウドにおける分類タスクは、クラスイベントがクラス間の相関を損なうが、クラスイベント \replaced{are }{follow } 独立で同一に分散している(IID)と仮定することが多い。 この \replaced{study }{paper } は分類戦略, \textbf{J}oint \textbf{G}raph \textbf{E}ntropy \textbf{K}nowledge \textbf{D}istillation (JGEKD) を、非独立で同一に分散した3Dポイントクラウドデータに適したものとし, \replaced{which }{the strategy } は、共同グラフエントロピーに基づく損失関数を構築することにより、知識蒸留によるクラス相関の知識伝達を実現する。 最初の\deleted{ly} では、add{the }hidden relationship between class\replaced{ and}{,} は、add{add }graphのエントロピーを計算することによって、モデルのトレーニングを行う知識蒸留を実装している。 空間変換に不変な3次元点雲を取り扱うために, 自己知識蒸留と教師知識蒸留という2つの枠組みを構築し, 同一データの異なる変換形式間の情報伝達を容易にする。 さらに、上記のフレームワークを使用して、ポイントクラウドとそれらの破損したフォーム間の知識伝達を実現し、モデルの破損に対する堅牢性を高める。 ScanObject、ModelNet40、ScanntV2\_cls、ModelNet-Cに関する大規模な実験は、提案した戦略が競争力のある結果が得られることを示した。

関連論文リスト

• ReFu: Recursive Fusion for Exemplar-Free 3D Class-Incremental Learning [22.918894897067574]
  ReFuと呼ばれる新しいRecursive Fusionモデルを導入し、3Dクラスインクリメンタルラーニングのためのポイントクラウドとメッシュを統合した。 本稿では,2つのモード間の相関関係を学習するPointcloud-Guided Mesh Attention Layerを特徴とする融合モジュールを提案する。 各種データセットを対象とした実験により,提案手法が3次元クラスインクリメンタル学習において既存手法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-18T21:44:33Z)
• Towards Modality-agnostic Label-efficient Segmentation with Entropy-Regularized Distribution Alignment [62.73503467108322]
  この話題は、3次元の点雲のセグメンテーションで広く研究されている。 近年まで、擬似ラベルは、限られた地道ラベルによる訓練を容易にするために広く用いられてきた。 既存の擬似ラベリングアプローチは、重複しないデータのノイズやバリエーションに悩まされる可能性がある。 本研究では,学習用擬似ラベルを正規化し,擬似ラベルとモデル予測とのギャップを効果的に狭める学習戦略を提案する。
  論文  参考訳（メタデータ） (2024-08-29T13:31:15Z)
• Fine-grained Image-to-LiDAR Contrastive Distillation with Visual Foundation Models [55.99654128127689]
  Visual Foundation Models (VFM) は、弱い教師付きピクセル対ポイントのコントラスト蒸留のためのセマンティックラベルを生成するために使用される。 我々は,空間分布とカテゴリー周波数の不均衡に対応するために,点のサンプリング確率を適応させる。 我々の手法は、下流タスクにおける既存の画像からLiDARへのコントラスト蒸留法を一貫して超越している。
  論文  参考訳（メタデータ） (2024-05-23T07:48:19Z)
• Communication Efficient and Provable Federated Unlearning [43.178460522012934]
  我々は、フェデレーション・アンラーニング(フェデレーション・アンラーニング)という、特定のクライアントやデータポイントが、フェデレーション・ラーニング(FL)を通じて学習したグローバルモデルに与える影響をなくすための新しい問題について研究する。 この問題は、忘れられる権利とFLのプライバシー問題によって引き起こされる。 我々は,テキストコミュニケーション効率とテキストテキサクト・アンラーニング性という2つの重要な基準を満たす,正確な非ラーニングのための新しいフレームワークを導入する。
  論文  参考訳（メタデータ） (2024-01-19T20:35:02Z)
• Data Augmentation-free Unsupervised Learning for 3D Point Cloud Understanding [61.30276576646909]
  ソフトクラスタリング(SoftClu)と呼ばれる,移動可能な点レベルの特徴を学習するための,ポイントクラウドに対する拡張不要な教師なしアプローチを提案する。 我々は,クラスタに対するポイントのアフィリエイトをプロキシとして利用し,擬似ラベル予測タスクを通じて自己学習を可能にする。
  論文  参考訳（メタデータ） (2022-10-06T10:18:16Z)
• Dual Adaptive Transformations for Weakly Supervised Point Cloud Segmentation [78.6612285236938]
  弱制御点雲分割のための新しいDATモデル(textbfDual textbfAdaptive textbfTransformations)を提案する。 我々は,大規模S3DISデータセットとScanNet-V2データセットの2つの人気バックボーンを用いたDATモデルの評価を行った。
  論文  参考訳（メタデータ） (2022-07-19T05:43:14Z)
• Semantic Graph Based Place Recognition for 3D Point Clouds [22.608115489674653]
  本稿では,位置認識のためのセマンティックグラフに基づく新しいアプローチを提案する。 まず、ポイントクラウドシーンのための新しいセマンティックグラフ表現を提案する。 次に、その類似性を計算するために、高速で効果的なグラフ類似性ネットワークを設計する。
  論文  参考訳（メタデータ） (2020-08-26T09:27:26Z)

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。