論文の概要: Joint Optimization of Storage and Loading for High-Performance 3D Point Cloud Data Processing

• arxiv url: http://arxiv.org/abs/2603.16945v1
• Date: Mon, 16 Mar 2026 12:35:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-19 18:32:57.287161
• Title: Joint Optimization of Storage and Loading for High-Performance 3D Point Cloud Data Processing
• Title（参考訳）: 高性能3Dポイントクラウドデータ処理のためのストレージとロードの共同最適化
• Authors: Ke Wang, Yanfei Cao, Xiangzhi Tao, Naijie Gu, Jun Yu, Zhengdong Wang, Shouyang Dong, Fan Yu, Cong Wang, Yang Luo,
• Abstract要約: 3Dポイントクラウドデータは、3D情報の重要な表現である。 従来のアルゴリズムは大規模なデータセットを扱うのに苦労している。 PcRecordフォーマットは、ストレージの占有を減らし、ポイントクラウドデータの処理を高速化するために設計された、統一されたデータストレージソリューションである。
• 参考スコア（独自算出の注目度）: 28.029143936878572
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the rapid development of computer vision and deep learning, significant advancements have been made in 3D vision, partic- ularly in autonomous driving, robotic perception, and augmented reality. 3D point cloud data, as a crucial representation of 3D information, has gained widespread attention. However, the vast scale and complexity of point cloud data present significant chal- lenges for loading and processing and traditional algorithms struggle to handle large-scale datasets.The diversity of storage formats for point cloud datasets (e.g., PLY, XYZ, BIN) adds complexity to data handling and results in inefficiencies in data preparation. Al- though binary formats like BIN and NPY have been used to speed up data access, they still do not fully address the time-consuming data loading and processing phase. To overcome these challenges, we propose the .PcRecord format, a unified data storage solution designed to reduce the storage occupation and accelerate the processing of point cloud data. We also introduce a high-performance data processing pipeline equipped with multiple modules. By leveraging a multi-stage parallel pipeline architecture, our system optimizes the use of computational resources, significantly improving processing speed and efficiency. This paper details the im- plementation of this system and demonstrates its effectiveness in addressing the challenges of handling large-scale point cloud datasets.On average, our system achieves performance improvements of 6.61x (ModelNet40), 2.69x (S3DIS), 2.23x (ShapeNet), 3.09x (Kitti), 8.07x (SUN RGB-D), and 5.67x (ScanNet) with GPU and 6.9x, 1.88x, 1.29x, 2.28x, 25.4x, and 19.3x with Ascend.
• Abstract（参考訳）: コンピュータビジョンとディープラーニングの急速な発展により、3Dビジョン、自律運転、ロボット認識、拡張現実において重要な進歩がなされている。 3Dポイントクラウドデータは、3D情報の重要な表現として、広く注目を集めている。 しかし、ポイントクラウドデータの大規模化と複雑化は、ロードと処理のための重大なシャルレンジを示し、従来のアルゴリズムは大規模なデータセットを扱うのに苦労している。 BINやNPYのようなバイナリフォーマットはデータアクセスを高速化するために使われてきたが、それでも時間を要するデータ読み込みと処理フェーズを完全には解決していない。 これらの課題を克服するために、我々は . PcRecordフォーマットは、ストレージの占有を減らし、ポイントクラウドデータの処理を高速化するために設計された統一データストレージソリューションである。 また,複数のモジュールを備えた高性能データ処理パイプラインも導入する。 マルチステージ並列パイプラインアーキテクチャを活用することで,計算資源の利用を最適化し,処理速度と効率を大幅に向上する。 本稿では,大規模ポイントクラウドデータセットを扱う際の課題に対処する上で,システムの有効性を詳述し,平均して6.61x(ModelNet40),2.69x(S3DIS),2.23x(ShapeNet),3.09x(Kitti),8.07x(SUN RGB-D),5.67x(ScanNet),1.88x,1.29x,2.28x,25.4x,19.3xのパフォーマンス改善を実現している。

関連論文リスト

• FractalCloud: A Fractal-Inspired Architecture for Efficient Large-Scale Point Cloud Processing [13.217596969807062]
  自律運転、ロボティクス、仮想現実(VR)などのアプリケーションでは、三次元(3D)ポイントクラウドがますます利用されている ポイントベースニューラルネットワーク(PNN)は、ポイントクラウド分析において強力な性能を示しており、当初は小規模入力をターゲットとしていた。 FractalCloudはフラクタルにインスパイアされたハードウェアアーキテクチャで、大規模な3Dポイントのクラウド処理を効率的に行う。
  論文  参考訳（メタデータ） (2025-11-10T22:19:37Z)
• FLARES: Fast and Accurate LiDAR Multi-Range Semantic Segmentation [52.89847760590189]
  3Dシーンの理解は、自動運転における重要な課題である。 近年の手法では、レンジビュー表現を利用して処理効率を向上している。 範囲ビューに基づくLiDARセマンティックセマンティックセグメンテーションのためのワークフローを再設計する。
  論文  参考訳（メタデータ） (2025-02-13T12:39:26Z)
• Compressing high-resolution data through latent representation encoding for downscaling large-scale AI weather forecast model [10.634513279883913]
  本稿では,高解像度データセットの圧縮に適した変分オートエンコーダフレームワークを提案する。 本フレームワークは,HRCLDASデータの3年間の保存容量を8.61TBから204GBに削減し,必須情報を保存した。
  論文  参考訳（メタデータ） (2024-10-10T05:38:03Z)
• HASS: Hardware-Aware Sparsity Search for Dataflow DNN Accelerator [47.66463010685586]
  本稿では,ソフトウェアとハードウェアの共同最適化を用いて,非構造的ウェイトとデータフローアクセラレーターの疎結合性を利用した新しい手法を提案する。 我々は既存のスパース設計と比較して1.3$times$から4.2$times$までの効率改善を実現している。
  論文  参考訳（メタデータ） (2024-06-05T09:25:18Z)
• PIM-Opt: Demystifying Distributed Optimization Algorithms on a Real-World Processing-In-Memory System [21.09681871279162]
  大規模データセットに対するモダン機械学習(ML)トレーニングは、時間を要する作業量である。 最適化アルゴリズムであるGradient Descent (SGD) は、その効率性、単純さ、一般化性能に頼っている。 プロセッサ中心のアーキテクチャは、MLトレーニングワークロードの実行中に低パフォーマンスと高エネルギー消費に悩まされる。 Processing-In-Memory(PIM)は、データ移動のボトルネックを軽減するための有望なソリューションである。
  論文  参考訳（メタデータ） (2024-04-10T17:00:04Z)
• AutoSynth: Learning to Generate 3D Training Data for Object Point Cloud Registration [69.21282992341007]
  Auto Synthは、ポイントクラウド登録のための3Dトレーニングデータを自動的に生成する。 私たちはポイントクラウド登録ネットワークをもっと小さなサロゲートネットワークに置き換え、4056.43$のスピードアップを実現しました。 TUD-L,LINEMOD,Occluded-LINEMODに関する我々の研究結果は,検索データセットでトレーニングされたニューラルネットワークが,広く使用されているModelNet40データセットでトレーニングされたニューラルネットワークよりも一貫してパフォーマンスが向上していることを示す。
  論文  参考訳（メタデータ） (2023-09-20T09:29:44Z)
• EfficientViT: Multi-Scale Linear Attention for High-Resolution Dense Prediction [67.11722682878722]
  この研究は、新しいマルチスケール線形注意を持つ高解像度ビジョンモデルのファミリーであるEfficientViTを提示する。 マルチスケール線形注意は,グローバルな受容場とマルチスケール学習を実現する。 EfficientViTは従来の最先端モデルよりも優れたパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2022-05-29T20:07:23Z)
• Heterogeneous Data-Centric Architectures for Modern Data-Intensive Applications: Case Studies in Machine Learning and Databases [9.927754948343326]
  Processing-in-Memory(PIM)は、現代のアプリケーションにおけるデータ移動のボトルネックを軽減する、有望な実行パラダイムである。 本稿では,2つの現代的なデータ集約型アプリケーションに対して,PIMパラダイムの活用方法を示す。
  論文  参考訳（メタデータ） (2022-05-29T13:43:17Z)
• Kubric: A scalable dataset generator [73.78485189435729]
  KubricはPythonフレームワークで、PyBulletやBlenderとインターフェースして写真リアリスティックなシーンを生成する。 本研究では,3次元NeRFモデルの研究から光フロー推定まで,13種類の異なるデータセットを提示することで,Kubricの有効性を実証する。
  論文  参考訳（メタデータ） (2022-03-07T18:13:59Z)

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。