論文の概要: NPNet: A Non-Parametric Network with Adaptive Gaussian-Fourier Positional Encoding for 3D Classification and Segmentation

• arxiv url: http://arxiv.org/abs/2602.00542v1
• Date: Sat, 31 Jan 2026 06:16:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.24774
• Title: NPNet: A Non-Parametric Network with Adaptive Gaussian-Fourier Positional Encoding for 3D Classification and Segmentation
• Title（参考訳）: NPNet:3次元分類とセグメンテーションのための適応ガウス・フーリエ位置符号化を用いた非パラメトリックネットワーク
• Authors: Mohammad Saeid, Amir Salarpour, Pedram MohajerAnsari, Mert D. Pesé,
• Abstract要約: NPNetは3Dポイントクラウド分類と部分分割のための非パラメトリックアプローチである。 最遠点サンプリング、k-アネレスト隣人、プールなどの決定論的演算子を使って、ポイント機能を構築する。 従来の非パラメトリックな手法と比較して、メモリ使用時間と推論時間が好ましい。
• 参考スコア（独自算出の注目度）: 1.499944454332829
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present NPNet, a fully non-parametric approach for 3D point-cloud classification and part segmentation. NPNet contains no learned weights; instead, it builds point features using deterministic operators such as farthest point sampling, k-nearest neighbors, and pooling. Our key idea is an adaptive Gaussian-Fourier positional encoding whose bandwidth and Gaussian-cosine mixing are chosen from the input geometry, helping the method remain stable across different scales and sampling densities. For segmentation, we additionally incorporate fixed-frequency Fourier features to provide global context alongside the adaptive encoding. Across ModelNet40/ModelNet-R, ScanObjectNN, and ShapeNetPart, NPNet achieves strong performance among non-parametric baselines, and it is particularly effective in few-shot settings on ModelNet40. NPNet also offers favorable memory use and inference time compared to prior non-parametric methods
• Abstract（参考訳）: NPNetは3次元ポイントクラウド分類と部分分割のための完全に非パラメトリックなアプローチである。 NPNetは学習したウェイトを含まず、極端点サンプリング、k-アネレスト隣人、プールといった決定論的演算子を使って点特徴を構築する。 我々のキーとなるアイデアは適応型ガウス-フーリエ位置符号化であり、入力幾何学から帯域幅とガウス-コサイン混合が選択され、異なるスケールで安定し、密度をサンプリングするのに役立つ。 セグメンテーションには、アダプティブエンコーディングと並行してグローバルコンテキストを提供するために、固定周波数フーリエ機能も組み込む。 ModelNet40/ModelNet-R、ScanObjectNN、ShapeNetPartでは、NPNetは非パラメトリックベースライン間で強力なパフォーマンスを実現しており、特にModelNet40の少数ショット設定では有効である。 NPNetはまた、以前の非パラメトリック法と比較して、好ましいメモリ使用時間と推論時間を提供する。

関連論文リスト

• Point-GN: A Non-Parametric Network Using Gaussian Positional Encoding for Point Cloud Classification [0.0]
  Point-GNは、効率的で正確な3Dポイントクラウド分類のための新しい非パラメトリックネットワークである。 我々は,ModelNet40とScanObjectNNの2つのベンチマークデータセット上でPoint-GNを評価し,それぞれ85.29%と85.89%の分類精度を達成した。
  論文  参考訳（メタデータ） (2024-12-04T06:20:51Z)
• PointNet with KAN versus PointNet with MLP for 3D Classification and Segmentation of Point Sets [1.90365714903665]
  Kolmogorov-Arnold Networks(KAN)は、ディープラーニングフレームワークにおける従来のマルチレイヤパーセプトロン(MLP)に代わるものとして、最近注目を集めている。 kanは、畳み込みニューラルネットワーク、グラフニューラルネットワーク、トランスフォーマーなど、さまざまなディープラーニングアーキテクチャに統合されている。 KansをPointNetに組み込んで、3Dポイントクラウドの分類とセグメンテーションタスクのパフォーマンスを初めて評価する。
  論文  参考訳（メタデータ） (2024-10-14T01:57:06Z)
• RSF-Conv: Rotation-and-Scale Equivariant Fourier Parameterized Convolution for Retinal Vessel Segmentation [58.618797429661754]
  本稿では,網膜血管分割に特化して,回転・スケール同値なフーリエパラメータ化畳み込み(RSF-Conv)を提案する。 一般的なモジュールとして、RCF-Convはプラグイン・アンド・プレイ方式で既存のネットワークに統合できる。 RSF-Convの有効性を示すため,RSF-Conv+U-NetとRCF-Conv+Iter-Netを網膜動脈・静脈の分類に適用した。
  論文  参考訳（メタデータ） (2023-09-27T13:14:57Z)
• SVNet: Where SO(3) Equivariance Meets Binarization on Point Cloud Representation [65.4396959244269]
  本論文は,3次元学習アーキテクチャを構築するための一般的なフレームワークを設計することによる課題に対処する。 提案手法はPointNetやDGCNNといった一般的なバックボーンに適用できる。 ModelNet40、ShapeNet、および実世界のデータセットであるScanObjectNNの実験では、この手法が効率、回転、精度の間の大きなトレードオフを達成することを示した。
  論文  参考訳（メタデータ） (2022-09-13T12:12:19Z)
• Random Features for the Neural Tangent Kernel [57.132634274795066]
  完全接続型ReLUネットワークのニューラルタンジェントカーネル(NTK)の効率的な特徴マップ構築を提案する。 得られた特徴の次元は、理論と実践の両方で比較誤差境界を達成するために、他のベースライン特徴マップ構造よりもはるかに小さいことを示しています。
  論文  参考訳（メタデータ） (2021-04-03T09:08:12Z)
• SALA: Soft Assignment Local Aggregation for Parameter Efficient 3D Semantic Segmentation [65.96170587706148]
  3dポイントクラウドセマンティクスセグメンテーションのためのパラメータ効率の良いネットワークを生成するポイントローカルアグリゲーション関数の設計に着目する。 グリッド型アグリゲーション関数における学習可能な隣り合わせソフトアロケーションの利用について検討する。
  論文  参考訳（メタデータ） (2020-12-29T20:16:37Z)
• 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)
• A Neural Network Approach for Online Nonlinear Neyman-Pearson Classification [3.6144103736375857]
  論文の中では,オンラインと非線形の両方で初となる新しいNeyman-Pearson(NP)分類器を提案する。 提案する分類器は、オンライン方式でバイナリラベル付きデータストリーム上で動作し、ユーザが指定し、制御可能な偽陽性率の検出能力を最大化する。 提案アルゴリズムは大規模データアプリケーションに適しており,実時間処理による偽陽性率制御性を実現している。
  論文  参考訳（メタデータ） (2020-06-14T20:00:25Z)
• MOPS-Net: A Matrix Optimization-driven Network forTask-Oriented 3D Point Cloud Downsampling [86.42733428762513]
  MOPS-Netは行列最適化のための新しい解釈可能な深層学習手法である。 我々はMOPS-Netが様々なタスクに対して最先端の深層学習手法に対して好適な性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-05-01T14:01:53Z)

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。