論文の概要: A Systematic Survey on Deep Learning Architectures for Point Cloud Classification and Segmentation
- arxiv url: http://arxiv.org/abs/2605.17131v1
- Date: Sat, 16 May 2026 19:37:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-19 17:57:47.699023
- Title: A Systematic Survey on Deep Learning Architectures for Point Cloud Classification and Segmentation
- Title（参考訳）: ポイントクラウド分類とセグメンテーションのためのディープラーニングアーキテクチャに関する体系的研究
- Authors: Minhas Kamal, Hiranya Garbha Kumar, Balakrishnan Prabhakaran,
- Abstract要約: ポイントクラウドは、その単純さと幾何学的忠実さのために、3Dの形状とシーンを表現するために最も広く採用されているフォーマットである。
その本質的に秩序のない不規則な性質は、センサーノイズと閉塞によって悪化し、機械学習ベースの方法論に固有の課題をもたらす。
私たちの焦点は、ポイントクラウド分類、パートセグメンテーション、セマンティックセグメンテーションという、3Dビジョンにおける3つの基本的なタスクのためのディープラーニングモデルに向けられている。
- 参考スコア（独自算出の注目度）: 2.3895981099137535
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Point cloud stands as the most widely adopted format for representing 3D shapes and scenes due to its simplicity and geometric fidelity. However, its inherent unordered and irregular nature, exacerbated by sensor noise and occlusions, introduces unique challenges for machine learning based methodologies. To combat these issues, diverse strategies have been developed, including converting to a format that has orderliness, extracting local geometry, and permutation-invariant or self-attention-based processing. In this paper, our focus is directed towards deep learning models for three fundamental tasks in 3D vision: point cloud classification, part segmentation, and semantic segmentation. We begin by formally defining point cloud data, followed by an in-depth discussion on its structural characteristics. Then, we categorize notable works based on their backbone structure and evaluate their performance on popular benchmarks. Beyond empirical comparison, we offer insights into architectural innovations and limitations. We also outline open challenges and promising future directions for 3D point cloud understanding.
- Abstract（参考訳）: ポイントクラウドは、その単純さと幾何学的忠実さのために、3Dの形状とシーンを表現するために最も広く採用されているフォーマットである。
しかし、センサノイズやオクルージョンによって悪化する、本来無秩序で不規則な性質は、機械学習ベースの方法論に固有の課題をもたらす。
これらの問題に対処するため、順序性のあるフォーマットへの変換、局所幾何学の抽出、置換不変あるいは自己アテンションに基づく処理など、多様な戦略が開発されている。
本稿では,3次元視覚における3つの基本的な課題,すなわち点群分類,部分分割,意味的セグメンテーションのディープラーニングモデルに焦点をあてる。
まず、ポイントクラウドデータを正式に定義し、続いて、その構造的特性に関する詳細な議論を行う。
そこで我々は,背骨構造に基づく顕著な研究を分類し,その性能を人気のあるベンチマークで評価した。
経験的比較以外にも、アーキテクチャの革新と制限に関する洞察を提供しています。
また、オープンな課題と3Dポイントクラウド理解の今後の方向性についても概説しています。
関連論文リスト
- Human as Points: Explicit Point-based 3D Human Reconstruction from Single-view RGB Images [71.91424164693422]
我々はHaPと呼ばれる明示的なポイントベース人間再構築フレームワークを導入する。
提案手法は,3次元幾何学空間における完全明示的な点雲推定,操作,生成,洗練が特徴である。
我々の結果は、完全に明示的で幾何学中心のアルゴリズム設計へのパラダイムのロールバックを示すかもしれない。
論文 参考訳（メタデータ） (2023-11-06T05:52:29Z) - Edge Aware Learning for 3D Point Cloud [8.12405696290333]
本稿では,階層型エッジ対応3Dポイントクラウドラーニング(HEA-Net)における革新的なアプローチを提案する。
ポイントクラウドデータにおけるノイズの課題に対処し、エッジ機能に注目してオブジェクト認識とセグメンテーションを改善することを目指している。
我々は,ポイントクラウドの分類とセグメンテーションを強化するために,革新的なエッジアウェアラーニング手法を提案する。
論文 参考訳（メタデータ） (2023-09-23T20:12:32Z) - Clustering based Point Cloud Representation Learning for 3D Analysis [80.88995099442374]
本稿では,ポイントクラウド分析のためのクラスタリングに基づく教師付き学習手法を提案する。
現在のデファクトでシーンワイドなトレーニングパラダイムとは異なり、我々のアルゴリズムは点埋め込み空間上でクラス内のクラスタリングを行う。
我々のアルゴリズムは、有名なポイントクラウドセグメンテーションデータセットの顕著な改善を示している。
論文 参考訳（メタデータ） (2023-07-27T03:42:12Z) - PointResNet: Residual Network for 3D Point Cloud Segmentation and
Classification [18.466814193413487]
ポイントクラウドのセグメンテーションと分類は、3Dコンピュータビジョンの主要なタスクである。
本稿では,残差ブロックベースアプローチであるPointResNetを提案する。
我々のモデルは、セグメント化と分類タスクのためのディープニューラルネットワークを用いて、3Dポイントを直接処理する。
論文 参考訳（メタデータ） (2022-11-20T17:39:48Z) - Point Discriminative Learning for Unsupervised Representation Learning
on 3D Point Clouds [54.31515001741987]
3次元点雲上での教師なし表現学習のための点識別学習法を提案する。
我々は、中間レベルとグローバルレベルの特徴に新しい点識別損失を課すことにより、これを達成した。
提案手法は強力な表現を学習し,新しい最先端性能を実現する。
論文 参考訳（メタデータ） (2021-08-04T15:11:48Z) - Shape-Oriented Convolution Neural Network for Point Cloud Analysis [59.405388577930616]
ポイントクラウドは3次元幾何学情報符号化に採用されている主要なデータ構造である。
形状指向型メッセージパッシング方式であるShapeConvを提案する。
論文 参考訳（メタデータ） (2020-04-20T16:11:51Z) - Review: deep learning on 3D point clouds [9.73176900969663]
ポイントクラウドは3D表現のための最も重要なデータフォーマットの1つである。
ディープラーニングは現在、コンピュータビジョンにおけるデータ処理の最も強力なツールです。
論文 参考訳（メタデータ） (2020-01-17T12:55:23Z)
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。