論文の概要: 3D-ANC: Adaptive Neural Collapse for Robust 3D Point Cloud Recognition

• arxiv url: http://arxiv.org/abs/2511.07040v1
• Date: Mon, 10 Nov 2025 12:37:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:45.243148
• Title: 3D-ANC: Adaptive Neural Collapse for Robust 3D Point Cloud Recognition
• Title（参考訳）: 3D-ANC:ロバストな3Dポイントクラウド認識のための適応型ニューラル崩壊
• Authors: Yuanmin Huang, Wenxuan Li, Mi Zhang, Xiaohan Zhang, Xiaoyu You, Min Yang,
• Abstract要約: 3D-ANCはニューラル・コラプス(NC)機構を利用して識別的特徴学習を編成する手法である。 3D-ANCは2つのデータセット上の様々な構造を持つモデルのロバスト性を大幅に改善することを示す。
• 参考スコア（独自算出の注目度）: 21.95358957900039
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep neural networks have recently achieved notable progress in 3D point cloud recognition, yet their vulnerability to adversarial perturbations poses critical security challenges in practical deployments. Conventional defense mechanisms struggle to address the evolving landscape of multifaceted attack patterns. Through systematic analysis of existing defenses, we identify that their unsatisfactory performance primarily originates from an entangled feature space, where adversarial attacks can be performed easily. To this end, we present 3D-ANC, a novel approach that capitalizes on the Neural Collapse (NC) mechanism to orchestrate discriminative feature learning. In particular, NC depicts where last-layer features and classifier weights jointly evolve into a simplex equiangular tight frame (ETF) arrangement, establishing maximally separable class prototypes. However, leveraging this advantage in 3D recognition confronts two substantial challenges: (1) prevalent class imbalance in point cloud datasets, and (2) complex geometric similarities between object categories. To tackle these obstacles, our solution combines an ETF-aligned classification module with an adaptive training framework consisting of representation-balanced learning (RBL) and dynamic feature direction loss (FDL). 3D-ANC seamlessly empowers existing models to develop disentangled feature spaces despite the complexity in 3D data distribution. Comprehensive evaluations state that 3D-ANC significantly improves the robustness of models with various structures on two datasets. For instance, DGCNN's classification accuracy is elevated from 27.2% to 80.9% on ModelNet40 -- a 53.7% absolute gain that surpasses leading baselines by 34.0%.
• Abstract（参考訳）: ディープニューラルネットワークは、最近3Dポイントクラウド認識において顕著な進歩を遂げている。 従来の防御機構は、多面攻撃パターンの進化する景観に対処するのに苦労する。 既存の防御を体系的に分析することにより、その不満足な性能は、敵の攻撃が容易に行える、絡み合った特徴空間に起因していると同定する。 この目的のために、3D-ANCというニューラル・コラプス(NC)機構を利用して識別的特徴学習を編成する手法を提案する。 特にNCは、最終層の特徴と分類器の重みが単純な等角的タイトフレーム(ETF)アレンジメントに共同で進化し、最大分離可能なクラスプロトタイプを確立する様子を描いている。 しかし、この利点を3D認識に活用することは、(1)点クラウドデータセットにおけるクラス不均衡と(2)オブジェクトカテゴリ間の複雑な幾何学的類似性という2つの大きな課題に直面している。 これらの障害に対処するため,提案手法は,表現バランス学習(RBL)と動的特徴方向損失(FDL)からなる適応学習フレームワークとETF対応の分類モジュールを組み合わせる。 3D-ANCは、3Dデータ分散の複雑さにもかかわらず、既存のモデルをシームレスに拡張し、アンタングル化された特徴空間を開発する。 総合評価では、3D-ANCは2つのデータセット上の様々な構造を持つモデルのロバスト性を大幅に改善すると述べている。 例えば、DGCNNの分類精度は、ModelNet40で27.2%から80.9%に向上している。

関連論文リスト

• Topology-Aware Modeling for Unsupervised Simulation-to-Reality Point Cloud Recognition [63.55828203989405]
  我々はオブジェクトポイントクラウド上でSim2Real UDAのための新しいTopology-Aware Modeling (TAM)フレームワークを紹介する。 提案手法は,低レベルの高周波3次元構造を特徴とするグローバル空間トポロジを利用して,領域間隙を緩和する。 本稿では,クロスドメイン・コントラスト学習と自己学習を組み合わせた高度な自己学習戦略を提案する。
  論文  参考訳（メタデータ） (2025-06-26T11:53:59Z)
• GEAL: Generalizable 3D Affordance Learning with Cross-Modal Consistency [50.11520458252128]
  既存の3Dアベイランス学習手法は、注釈付きデータに制限があるため、一般化と堅牢性に苦慮している。 本稿では,大規模事前学習型2Dモデルを活用することで,3次元アベイランス学習の一般化と堅牢性を高めるための新しいフレームワークであるGEALを提案する。 GEALは、既存のメソッドと、新しいオブジェクトカテゴリ、および破損したデータにおいて、一貫して優れています。
  論文  参考訳（メタデータ） (2024-12-12T17:59:03Z)
• ClusteringSDF: Self-Organized Neural Implicit Surfaces for 3D Decomposition [32.99080359375706]
  ClusteringSDFは、ニューラルな暗黙の表面表現を通して3次元のセグメンテーションと再構成を実現するための新しいアプローチである。 ScanNetとReplicaのデータセットから得られた挑戦的なシーンにおける実験結果から,ClusteringSDFが競争力を発揮することを示す。
  論文  参考訳（メタデータ） (2024-03-21T17:59:16Z)
• FILP-3D: Enhancing 3D Few-shot Class-incremental Learning with Pre-trained Vision-Language Models [59.13757801286343]
  クラス増分学習(class-incremental learning)は、モデルが限られたデータで漸進的にトレーニングされている場合、破滅的な忘れの問題を軽減することを目的としている。 本稿では,特徴空間の不整合のための冗長特徴除去器 (RFE) と,重要な雑音に対する空間ノイズ補償器 (SNC) の2つの新しいコンポーネントを備えたFILP-3Dフレームワークを紹介する。
  論文  参考訳（メタデータ） (2023-12-28T14:52:07Z)
• Revisiting Domain-Adaptive 3D Object Detection by Reliable, Diverse and Class-balanced Pseudo-Labeling [38.07637524378327]
  ドメイン適応型3Dオブジェクト検出において,疑似ラベリング技術を用いた教師なしドメイン適応(DA)が重要なアプローチとして浮上している。 既存のDAメソッドは、マルチクラスのトレーニング環境に適用した場合、パフォーマンスが大幅に低下する。 本稿では,すべてのクラスを一度に検出する学習に適した新しいReDBフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-16T04:34:11Z)
• Triangle-Net: Towards Robustness in Point Cloud Learning [0.0]
  本稿では, 回転, 位置シフト, スケーリングに対する不変性を同時に実現し, 点間隔に頑健な3次元分類手法を提案する。 提案手法は,ModelNet 40分類タスクにおいて,ポイントネットと3DmFVをそれぞれ35.0%,28.1%で上回っている。
  論文  参考訳（メタデータ） (2020-02-27T20:42:32Z)

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。