論文の概要: One Shot Learning for Edge Detection on Point Clouds

• arxiv url: http://arxiv.org/abs/2604.22354v1
• Date: Fri, 24 Apr 2026 08:42:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-27 15:36:26.403219
• Title: One Shot Learning for Edge Detection on Point Clouds
• Title（参考訳）: 点雲のエッジ検出のためのワンショット学習
• Authors: Zhikun Tu, Yuhe Zhang, Yiou Jia, Kang Li, Daniel Cohen-Or,
• Abstract要約: 異なるスキャナから収集されたデータを含むデータセット上のネットワークのトレーニングは、単一のスキャナに固有のデータに基づいてトレーニングするよりも効果的ではない。 本稿では,対象の点雲の特定のデータ分布を学習することにより,点雲上のエッジ抽出を可能にする新しいワンショット学習手法を提案する。
• 参考スコア（独自算出の注目度）: 42.10101960464666
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Each scanner possesses its unique characteristics and exhibits its distinct sampling error distribution. Training a network on a dataset that includes data collected from different scanners is less effective than training it on data specific to a single scanner. Therefore, we present a novel one-shot learning method allowing for edge extraction on point clouds, by learning the specific data distribution of the target point cloud, and thus achieve superior results compared to networks that were trained on general data distributions. More specifically, we present how to train a lightweight network named OSFENet (One-Shot edge Feature Extraction Network), by designing a filtered-KNN-based surface patch representation that supports a one-shot learning framework. Additionally, we introduce an RBF_DoS module, which integrates Radial Basis Function-based Descriptor of the Surface patch, highly beneficial for the edge extraction on point clouds. The advantage of the proposed OSFENet is demonstrated through comparative analyses against 7 baselines on the ABC dataset, and its practical utility is validated by results across diverse real-scanned datasets, including indoor scenes like S3DIS dataset, and outdoor scenes such as the Semantic3D dataset and UrbanBIS dataset.
• Abstract（参考訳）: 各スキャナには固有の特性があり、異なるサンプリングエラー分布を示す。 異なるスキャナから収集されたデータを含むデータセット上のネットワークのトレーニングは、単一のスキャナに固有のデータに基づいてトレーニングするよりも効果的ではない。 そこで本研究では,対象の点雲の特定のデータ分布を学習することにより,点雲上でのエッジ抽出を可能にするワンショット学習手法を提案する。 具体的には、1ショット学習フレームワークをサポートするフィルタKNNベースの表面パッチ表現を設計し、OSFENet(One-Shot edge Feature extract Network)という軽量ネットワークのトレーニング方法について述べる。 さらに,Surface パッチの Radial Basis Function ベースの Descriptor を統合した RBF_DoS モジュールを導入する。 提案したOSFENetの利点は、ABCデータセット上の7つのベースラインに対する比較分析を通じて実証され、その実用性は、S3DISデータセットのような屋内シーンや、Semantic3DデータセットやUrbanBISデータセットのような屋外シーンを含む、さまざまな実スキャンされたデータセットにまたがる結果によって検証される。

関連論文リスト

• 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)
• Learning Semantic Segmentation of Large-Scale Point Clouds with Random Sampling [52.464516118826765]
  我々はRandLA-Netを紹介した。RandLA-Netは、大規模ポイントクラウドのポイントごとの意味を推論する、効率的で軽量なニューラルネットワークアーキテクチャである。 我々のアプローチの鍵は、より複雑な点選択アプローチではなく、ランダムな点サンプリングを使用することである。 我々のRandLA-Netは、既存のアプローチよりも最大200倍高速な1回のパスで100万ポイントを処理できます。
  論文  参考訳（メタデータ） (2021-07-06T05:08:34Z)
• Compositional Prototype Network with Multi-view Comparision for Few-Shot Point Cloud Semantic Segmentation [47.0611707526858]
  完全に教師ありのポイントクラウドセグメンテーションネットワークは、しばしばポイントワイズアノテーションを持つ大量のデータを必要とする。 少数のラベル付きトレーニングデータだけでポイントクラウドのセグメンテーションを行うことができるコンポジションプロトタイプネットワークを紹介します。 画像中の少数の学習文献にインスパイアされたネットワークは、限られたトレーニングデータから予測のためのラベルのないテストデータに直接ラベル情報を転送します。
  論文  参考訳（メタデータ） (2020-12-28T15:01:34Z)
• SPU-Net: Self-Supervised Point Cloud Upsampling by Coarse-to-Fine Reconstruction with Self-Projection Optimization [52.20602782690776]
  実際のスキャンされたスパースデータからトレーニング用の大規模なペアリングスパーススキャンポイントセットを得るのは高価で面倒です。 本研究では,SPU-Net と呼ばれる自己監視型点群アップサンプリングネットワークを提案する。 本研究では,合成データと実データの両方について様々な実験を行い,最先端の教師付き手法と同等の性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-12-08T14:14:09Z)
• Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
  ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。 我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。 そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
  論文  参考訳（メタデータ） (2020-05-18T09:36:51Z)
• Weakly-supervised land classification for coastal zone based on deep convolutional neural networks by incorporating dual-polarimetric characteristics into training dataset [1.0494061710470493]
  本研究では, 空間偏光合成開口レーダ(PolSAR)を用いた意味的セグメンテーションにおけるDCNNの性能について検討する。 PolSARデータを用いたセマンティックセグメンテーションタスクは、SARデータの特徴とアノテート手順が考慮されている場合、弱い教師付き学習に分類することができる。 次に、SegNet、U-Net、LinkNetを含む3つのDCNNモデルが実装されている。
  論文  参考訳（メタデータ） (2020-03-30T17:32:49Z)
• 3D Object Detection From LiDAR Data Using Distance Dependent Feature Extraction [7.04185696830272]
  本研究は、LiDAR点雲の性質を遠距離で考慮し、3次元物体検出器の改良を提案する。 その結果、近距離および長距離オブジェクトのための個別ネットワークのトレーニングは、すべてのKITTIベンチマークの困難さに対するパフォーマンスを高めることが示された。
  論文  参考訳（メタデータ） (2020-03-02T13:16:35Z)

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。