論文の概要: PCFEx: Point Cloud Feature Extraction for Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2603.08540v1
• Date: Mon, 09 Mar 2026 16:09:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:16.394212
• Title: PCFEx: Point Cloud Feature Extraction for Graph Neural Networks
• Title（参考訳）: PCFEx:グラフニューラルネットワークのためのポイントクラウド特徴抽出
• Authors: Abdullah Al Masud, Shi Xintong, Mondher Bouazizi, Ohtsuki Tomoaki,
• Abstract要約: グラフニューラルネットワーク(GNN)は、さまざまな領域でその有効性に大きな注目を集めている。 本研究は,HPE(Human pose Estimation)とHAR(Human Activity Recognition)のための3Dポイントクラウドデータ処理にGNNを適用することに焦点を当てる。
• 参考スコア（独自算出の注目度）: 3.300544441511928
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph neural networks (GNNs) have gained significant attention for their effectiveness across various domains. This study focuses on applying GNN to process 3D point cloud data for human pose estimation (HPE) and human activity recognition (HAR). We propose novel point cloud feature extraction (PCFEx) techniques to capture meaningful information at the point, edge, and graph levels of the point cloud by considering point cloud as a graph. Moreover, we introduce a GNN architecture designed to efficiently process these features. Our approach is evaluated on four most popular publicly available millimeter wave radar datasets, three for HPE and one for HAR. The results show substantial improvements, with significantly reduced errors in all three HPE benchmarks, and an overall accuracy of 98.8% in mmWave-based HAR, outperforming the existing state of the art models. This work demonstrates the great potential of feature extraction incorporated with GNN modeling approach to enhance the precision of point cloud processing.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、さまざまな領域でその有効性に大きな注目を集めている。 本研究では,HPE(Human pose Estimation)とHAR(Human Activity Recognition)のための3Dポイントクラウドデータ処理にGNNを適用することに焦点を当てた。 本稿では,ポイントクラウドをグラフとして考えることにより,ポイントクラウドのポイント,エッジ,グラフレベルにおいて意味のある情報をキャプチャする,新しいポイントクラウド特徴抽出手法を提案する。 さらに,これらの特徴を効率的に処理するために設計されたGNNアーキテクチャを導入する。 提案手法は,HPEで3つ,HARで1つ,最も普及している4つのミリ波レーダを用いて評価した。 結果は、3つのHPEベンチマークのエラーを著しく削減し、mWaveベースのHARの全体的な精度は98.8%となり、既存の最先端モデルを上回った。 本研究は,ポイントクラウド処理の精度を高めるため,GNNモデリング手法を取り入れた特徴抽出の可能性を示す。

関連論文リスト

• Neural Visibility of Point Sets [31.13434703858653]
  本稿では,2進分類タスクとして定式化することで,点雲の可視性判定に新たなアプローチを提案する。 我々のネットワークは、レンダリングされた3Dモデルから生成された地味な可視性ラベルでエンドツーエンドに訓練されている。 提案手法は,HPRの精度と計算効率を両立させ,最大126倍の高速化を実現した。
  論文  参考訳（メタデータ） (2025-09-29T00:54:00Z)
• PointDifformer: Robust Point Cloud Registration With Neural Diffusion and Transformer [31.02661827570958]
  ポイントクラウド登録は、3Dコンピュータビジョンにおける基本的な技術であり、グラフィック、自律運転、ロボット工学の応用がある。 本稿では,グラフニューラル偏微分方程式(PDE)と熱カーネルシグネチャを利用するロバストポイントクラウド登録手法を提案する。 3Dポイントクラウドデータセットの実証実験により、我々のアプローチは、ポイントクラウド登録のための最先端のパフォーマンスを達成するだけでなく、付加的なノイズや3D形状の摂動に対してより堅牢性を示すことを示した。
  論文  参考訳（メタデータ） (2024-04-22T09:50:12Z)
• MLGCN: An Ultra Efficient Graph Convolution Neural Model For 3D Point Cloud Analysis [4.947552172739438]
  グラフニューラルネットワーク(GNN)ブロックを用いて,特定の局所レベルの3次元点雲から特徴を抽出する,MLGCN(Multi-level Graph Convolution Neural)モデルを提案する。 提案手法は,浮動小数点演算(FLOP)の最大1000倍の削減と,ストレージ要求の大幅な削減を図りながら,最先端モデルに匹敵する結果をもたらす。
  論文  参考訳（メタデータ） (2023-03-31T00:15:22Z)
• PCQA-GRAPHPOINT: Efficients Deep-Based Graph Metric For Point Cloud Quality Assessment [11.515951211296361]
  3Dポイントクラウド(PC)は、3D視覚情報を表示するための有望なソリューションであり、効果的な手段である。 本稿では、グラフニューラルネットワーク(GNN)を用いた固有の局所的依存関係の学習による、ポイントクラウドの品質評価のための、新規で効率的な客観的指標を提案する。 その結果、最先端のメトリクスと比較して、ソリューションの有効性と信頼性が示された。
  論文  参考訳（メタデータ） (2022-11-04T13:45:54Z)
• PointAttN: You Only Need Attention for Point Cloud Completion [89.88766317412052]
  ポイント・クラウド・コンプリート(Point cloud completion)とは、部分的な3次元ポイント・クラウドから3次元の形状を完成させることである。 そこで我々は,kNNを除去するために,ポイントクラウドをポイント単位に処理する新しいニューラルネットワークを提案する。 提案するフレームワークであるPointAttNはシンプルで簡潔で効果的であり、3次元形状の構造情報を正確に捉えることができる。
  論文  参考訳（メタデータ） (2022-03-16T09:20:01Z)
• Revisiting Point Cloud Simplification: A Learnable Feature Preserving Approach [57.67932970472768]
  MeshとPoint Cloudの単純化手法は、3Dモデルの複雑さを低減しつつ、視覚的品質と関連する健全な機能を維持することを目的としている。 そこで本研究では,正解点の標本化を学習し,高速点雲の簡易化手法を提案する。 提案手法は、入力空間から任意のユーザ定義の点数を選択し、視覚的知覚誤差を最小限に抑えるために、その位置を再配置するよう訓練されたグラフニューラルネットワークアーキテクチャに依存する。
  論文  参考訳（メタデータ） (2021-09-30T10:23:55Z)
• An Efficient Hypergraph Approach to Robust Point Cloud Resampling [57.49817398852218]
  ハイパーグラフ信号処理(hgsp)に基づくポイントクラウド再サンプリングの検討 点群の信号ノード間の多面的な相互作用を捕捉するハイパーグラフスペクトルフィルタを設計する。 実験の結果, 点雲のハイパーグラフ解析の有効性が検証された。
  論文  参考訳（メタデータ） (2021-03-11T23:19:54Z)
• PC-RGNN: Point Cloud Completion and Graph Neural Network for 3D Object Detection [57.49788100647103]
  LiDARベースの3Dオブジェクト検出は、自動運転にとって重要なタスクです。 現在のアプローチでは、遠方および閉ざされた物体の偏りと部分的な点雲に苦しむ。 本稿では,この課題を2つの解決法で解決する新しい二段階アプローチ,pc-rgnnを提案する。
  論文  参考訳（メタデータ） (2020-12-18T18:06:43Z)
• Graphite: GRAPH-Induced feaTure Extraction for Point Cloud Registration [80.69255347486693]
  我々は、シンプルな機能とキーポイント検出器である Graph-induced feaTure extract Pipeline を導入する。 我々は,点クラウド領域を記述し,有意な点を抽出する汎用的なグラフベース学習手法を構築した。 我々は3Dキーポイントパイプラインをグラフニューラルネットワークで再構成し、ポイントセットの効率的な処理を可能にする。
  論文  参考訳（メタデータ） (2020-10-18T19:41:09Z)
• Airborne LiDAR Point Cloud Classification with Graph Attention Convolution Neural Network [5.69168146446103]
  本稿では,空飛ぶLiDARにより得られる非構造化3次元点雲の分類に直接適用可能なグラフ注意畳み込みニューラルネットワーク(GACNN)を提案する。 提案するグラフアテンション・コンボリューション・モジュールに基づいて,GACNNと呼ばれるエンド・ツー・エンドのエンコーダ・デコーダネットワークを設計し,ポイント・クラウドのマルチスケールな特徴を捉える。 ISPRS 3Dラベリングデータセットの実験では、提案モデルが平均F1スコア(71.5%)と全精度(83.2%)で新しい最先端性能を達成することが示された。
  論文  参考訳（メタデータ） (2020-04-20T05:12:31Z)
• Hypergraph Spectral Analysis and Processing in 3D Point Cloud [80.25162983501308]
  3Dポイントクラウドは、3Dオブジェクトや周囲を特徴付ける基本的なデータ構造になっている。 3次元点雲を効率的に処理するには、基礎となる構造と外周騒音に適したモデルが常に重要である。 本稿では,高速な解析と処理が可能なハイパーグラフベースの新しいポイントクラウドモデルを提案する。
  論文  参考訳（メタデータ） (2020-01-08T05:30:16Z)

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。