論文の概要: SAGE3D: Soft-guided attention and graph excitation for 3D point cloud corner detection

• arxiv url: http://arxiv.org/abs/2605.15088v1
• Date: Thu, 14 May 2026 17:08:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.971607
• Title: SAGE3D: Soft-guided attention and graph excitation for 3D point cloud corner detection
• Title（参考訳）: SAGE3D:3次元点雲角検出のためのソフト誘導注意とグラフ励起
• Authors: Batuhan Arda Bekar, Can Sarı, Hüseyin Can Gülkan, Barış Özcan,
• Abstract要約: 本稿では,空中LiDAR点雲における角検出のためのハイブリッドトランスフォーマーモデルであるSAGE3Dを提案する。 本稿では,階層型エンコーダデコーダアーキテクチャ上に構築されたマルチステージソリューションを提案する。 我々は、Soft-Guided AttentionとExcitatory Graph Neural Networkの2つのイノベーションを紹介した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present SAGE3D, a hybrid Transformer-based model for corner detection in airborne LiDAR point clouds. We propose a multi-stage solution built on a hierarchical encoder-decoder architecture that progressively downsamples point clouds through Set Abstraction layers and recovers per-point predictions via Feature Propagation. We introduce two innovations: Soft-Guided Attention, which injects ground-truth corner labels as a log-prior into attention logits during training to improve precision; then an Excitatory Graph Neural Network positioned at strategic resolutions in the hierarchy, employing positive-only message passing where high-confidence corners reinforce predictions through learned boosting, optimizing for recall. The hierarchical design enables multi-scale feature extraction while our guided attention and excitatory modules ensure corner signals are amplified rather than diluted across scales.
• Abstract（参考訳）: 本稿では,空中LiDAR点雲における角検出のためのハイブリッドトランスフォーマーモデルであるSAGE3Dを提案する。 本稿では,階層型エンコーダデコーダアーキテクチャ上に構築されたマルチステージソリューションを提案する。 トレーニング中の注意ログに接地角ラベルをログプライヤとしてインジェクトして精度を向上させるSoft-Guided Attention, そして階層内の戦略的解像度に位置するExcitatory Graph Neural Network, そして,高信頼のコーナーが学習の強化を通じて予測を強化し,リコールを最適化する,肯定的なメッセージパッシングを利用する。 階層的な設計により,マルチスケールの特徴抽出が可能であり,ガイド付き注目と興奮モジュールにより,角信号の増幅が,スケールをまたいで行われるのではなく,保証される。

関連論文リスト

• LitePT: Lighter Yet Stronger Point Transformer [50.6430530112838]
  我々は3Dポイント・クラウド・ネットワークにおける異なる計算ブロックの役割を解析する。 我々は、初期段階で畳み込みを採用し、より深い層に注意を向ける新しい改良された3Dポイントクラウドバックボーンを提案する。 結果として、LitePTモデルはパラメータが3.6倍、2倍の速度で動作し、最新技術であるPoint Transformer V3よりも2倍のメモリを消費する。
  論文  参考訳（メタデータ） (2025-12-15T18:59:57Z)
• 3D Point Cloud Generation via Autoregressive Up-sampling [60.05226063558296]
  我々は3Dポイントクラウド生成のための先駆的な自己回帰生成モデルを導入する。 視覚的自己回帰モデリングにインスパイアされた我々は、ポイントクラウド生成を自己回帰的アップサンプリングプロセスとして概念化する。 PointARUは、3Dポイントの雲を粗いものから細かいものへと徐々に洗練する。
  論文  参考訳（メタデータ） (2025-03-11T16:30:45Z)
• DM3D: Distortion-Minimized Weight Pruning for Lossless 3D Object Detection [42.07920565812081]
  本稿では,3次元物体検出のための新しいトレーニング後の重み付け手法を提案する。 事前訓練されたモデルにおける冗長パラメータを決定し、局所性と信頼性の両方において最小限の歪みをもたらす。 本フレームワークは,ネットワーク出力の歪みを最小限に抑え,検出精度を最大に維持することを目的とする。
  論文  参考訳（メタデータ） (2024-07-02T09:33:32Z)
• KECOR: Kernel Coding Rate Maximization for Active 3D Object Detection [48.66703222700795]
  我々は、ラベルの取得に最も有用なポイントクラウドを特定するために、新しいカーネル戦略を利用する。 1段目(SECOND)と2段目(SECOND)の両方に対応するため、アノテーションに選択した境界ボックスの総数と検出性能のトレードオフをよく組み込んだ分類エントロピー接点を組み込んだ。 その結果,ボックスレベルのアノテーションのコストは約44%,計算時間は26%削減された。
  論文  参考訳（メタデータ） (2023-07-16T04:27:03Z)
• Nearest Neighbors Meet Deep Neural Networks for Point Cloud Analysis [14.844183458784235]
  我々は,空間近傍適応(SN-Adapter)と呼ばれるパラメータの再設計や余分なパラメータを伴わずに,既存のディープニューラルネットワークを強化する方法を提案する。 訓練された3Dネットワーク上に構築された学習符号化機能を利用して,学習データセットの特徴を抽出し,それらを空間知識として要約する。 テストポイントクラウドでは、SN-Adapterは、事前構築された空間プロトタイプからk隣人(k-NN)を検索し、k-NN予測を元の3Dネットワークのプロトタイプと線形補間する。
  論文  参考訳（メタデータ） (2023-03-01T17:57:09Z)
• Hierarchical Point Attention for Indoor 3D Object Detection [111.04397308495618]
  本研究は、点ベース変圧器検出器の汎用階層設計として、2つの新しい注意操作を提案する。 まず、よりきめ細かい特徴学習を可能にするために、シングルスケールの入力機能からマルチスケールトークンを構築するマルチスケール注意(MS-A)を提案する。 第2に,適応型アテンション領域を持つサイズ適応型ローカルアテンション(Local-A)を提案する。
  論文  参考訳（メタデータ） (2023-01-06T18:52:12Z)
• MAELi: Masked Autoencoder for Large-Scale LiDAR Point Clouds [13.426810473131642]
  Masked AutoEncoder for LiDAR Point clouds (MAELi) は、復元中にエンコーダとデコーダの両方でLiDARポイントクラウドの空間性を直感的に活用する。 新たな再構築アプローチでは、MAELiは空空間と隠された空間を区別する。 これにより、MAELiは基礎となる3次元シーンの幾何学と意味論の理解を得る。
  論文  参考訳（メタデータ） (2022-12-14T13:10:27Z)
• Progressive Seed Generation Auto-encoder for Unsupervised Point Cloud Learning [23.730871202742083]
  教師なしの学習は、高価なアノテーションプロセスなしでポイントクラウドを理解し、活用するために不可欠です。 本稿では,ポイントクラウドの再構成に基づく学習のための新しいフレームワークと,PSG-Netという名の自動エンコーダアーキテクチャを提案する。 我々はPSG-Netの有効性を実験的に証明し、PSG-Netはポイントクラウドの再構築と教師なし分類における最先端の性能を示し、教師なし補完における他の手法と同等の性能を達成する。
  論文  参考訳（メタデータ） (2021-12-09T21:05:30Z)
• Guided Point Contrastive Learning for Semi-supervised Point Cloud Semantic Segmentation [90.2445084743881]
  そこで本研究では,モデル性能を向上させるために,未ラベルの点群をトレーニングに採用するための半教師付き点群セマンティックセマンティックセマンティックセマンティクスを提案する。 近年の自己監督型タスクのコントラスト損失に触発されて,特徴表現とモデル一般化能力を高めるためのガイド付きポイントコントラスト損失を提案する。
  論文  参考訳（メタデータ） (2021-10-15T16:38:54Z)
• 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)

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。