論文の概要: A Robust Point Cloud Analysis Framework Inspired By Primary Visual Cortex

• arxiv url: http://arxiv.org/abs/2606.14292v1
• Date: Fri, 12 Jun 2026 09:17:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 16:00:42.851511
• Title: A Robust Point Cloud Analysis Framework Inspired By Primary Visual Cortex
• Title（参考訳）: 一次視覚皮質に触発されたロバストポイントクラウド分析フレームワーク
• Authors: Jisheng Dang, Dengyue Pan, Delin Deng, Yifan Zhang, Bimei Wang, Hong Peng, Bin Hu, Qi Tian, Tat-Seng Chua,
• Abstract要約: 本稿では,点クラウド解析のためのDendritic-Connected Continuous-Coupled Neural Network (DC-CCNN)アーキテクチャを提案する。 離散符号化と連続符号化を組み合わせることで、従来の多層パーセプトロンをより効率的で堅牢なBINNに置き換える。 本稿では,ニューロインスパイアされたRobost Modulation-and-Readout Module (NRMR)を導入し,機能安定性とロバスト性を向上させる。
• 参考スコア（独自算出の注目度）: 78.18514741653475
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite significant advancements in point cloud analysis, reducing energy consumption and improving robustness remain understudied, largely due to the inherent limitations of Convolutional Neural Networks (CNNs). To address this issue, we draw inspiration from the primary visual cortex and propose a Dendritic-Connected Continuous-Coupled Neural Network (DC-CCNN), a novel Brain-Inspired Neural Network (BINN) architecture for point cloud analysis. By combining discrete and continuous encoding, our design replaces traditional Multilayer Perceptrons (MLPs) with more efficient and robust BINNs. Building upon this framework, we further propose an extended model, DC-CCNN++, to improve robustness under complex corruption conditions. Specifically, we introduce a Neuro-Inspired Robust Modulation-and-Readout Module (NRMR) to enhance feature stability and decision robustness through global-context gain modulation and dual-code evidence integration. We also design a Cortically Inspired Progressive Variability Training (CPVT) strategy, which progressively exposes the model to structured environmental variability while preserving stable clean-sample anchors during training. Experimental results show that DC-CCNN++ improves the performance of brain-inspired networks on point cloud analysis while maintaining performance comparable to state-of-the-art methods. Compared with the original DC-CCNN, it achieves stronger results on both classification and part segmentation, and exhibits enhanced robustness against sparsity, occlusion, Gaussian noise, salt-and-pepper noise, and spatial transformations. With its efficiency, robustness, and biologically grounded design, DC-CCNN++ provides a promising alternative to traditional deep learning methods for point cloud analysis. Code is available at https://anonymous.4open.science/r/DC-CCNNpp-44E3.
• Abstract（参考訳）: 点雲解析の大幅な進歩にもかかわらず、エネルギー消費の削減とロバスト性の改善は、主に畳み込みニューラルネットワーク(CNN)の固有の限界のために検討されている。 この問題を解決するために、我々は一次視覚野からインスピレーションを得て、ポイントクラウド分析のための新しいBrain-Inspired Neural Network(BINN)アーキテクチャであるDendritic-Connected Continuous-Coupled Neural Network(DC-CCNN)を提案する。 離散符号化と連続符号化を組み合わせることで、従来の多層パーセプトロン(MLP)をより効率的で堅牢なBINNに置き換える。 この枠組みに基づいて,複雑な汚損条件下での堅牢性向上を目的とした拡張モデルDC-CCNN++を提案する。 具体的には、グローバルコンテキストゲイン変調とデュアルコードエビデンス統合による特徴安定性と決定堅牢性を高めるために、Neuro-Inspired Robust Modulation-and-Readout Module (NRMR)を導入する。 また,CPVT(Cortically Inspireed Progressive Variability Training)戦略を設計し,トレーニング中に安定したクリーンサンプルアンカーを保ちながら,そのモデルを構造化された環境変数に段階的に公開する。 実験結果から,DC-CCNN++はポイントクラウド解析において,最先端手法に匹敵する性能を維持しつつ,脳にインスパイアされたネットワークの性能を向上させることが示された。 従来のDC-CCNNと比較して、分類と部分のセグメンテーションの双方においてより強力な結果が得られ、空間変換、疎度、閉塞性、ガウスノイズ、ソルト・アンド・ペッパーノイズ、および空間変換に対する強靭性を示す。 その効率性、堅牢性、生物学的基盤設計により、DC-CCNN++は、ポイントクラウド分析のための従来のディープラーニング手法に代わる有望な代替手段を提供する。 コードはhttps://anonymous.4open.science/r/DC-CCNNpp-44E3で公開されている。

関連論文リスト

• NIRVANA: Structured pruning reimagined for large language models compression [50.651730342011014]
  直近のゼロショット保存精度と頑健な微調整のバランスをとるために, NIRVANAを導入した。 構造化プルーニングによって引き起こされる固有の課題にさらに対処するため、NIRVANAは層やモジュール間の適応的な空間割当機構を取り入れている。 Llama3, Qwen, T5モデルで行った実験では、NIRVANAは等価な空間制約の下で既存の構造化プルーニング法よりも優れていた。
  論文  参考訳（メタデータ） (2025-09-17T17:59:00Z)
• Proxy Target: Bridging the Gap Between Discrete Spiking Neural Networks and Continuous Control [59.65431931190187]
  スパイキングニューラルネットワーク(SNN)は、ニューロモルフィックハードウェア上で低レイテンシかつエネルギー効率の意思決定を提供する。 連続制御のためのほとんどの連続制御アルゴリズムは、人工ニューラルネットワーク(ANN)のために設計されている。 このミスマッチはSNNのトレーニングを不安定にし、性能を劣化させる。 離散SNNと連続制御アルゴリズムのギャップを埋める新しいプロキシターゲットフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-30T03:08:03Z)
• QP-SNN: Quantized and Pruned Spiking Neural Networks [10.74122828236122]
  スパイキングニューラルネットワーク(SNN)はスパイクを利用して情報をエンコードし、イベント駆動方式で運用する。 資源限定シナリオにおいて,高性能なSNNを効果的に展開することを目的とした,ハードウェアフレンドリで軽量なSNNを提案する。
  論文  参考訳（メタデータ） (2025-02-09T13:50:59Z)
• Deep-Unrolling Multidimensional Harmonic Retrieval Algorithms on Neuromorphic Hardware [78.17783007774295]
  本稿では,高精度かつエネルギー効率の高い単発多次元高調波検索のための変換に基づくニューロモルフィックアルゴリズムの可能性について検討する。 複雑な値の畳み込み層と活性化をスパイクニューラルネットワーク(SNN)に変換する新しい手法を開発した。 変換されたSNNは、元のCNNに比べて性能が低下し、ほぼ5倍の電力効率を実現している。
  論文  参考訳（メタデータ） (2024-12-05T09:41:33Z)
• Designing Robust Quantum Neural Networks via Optimized Circuit Metrics [3.9554540293311864]
  我々は、従来の畳み込みニューラルネットワーク(CNN)と比較して、四畳み込みニューラルネットワーク(QuNN)の堅牢性について検討する。 以上の結果から,QuNNはMNISTデータセットでは最大60%,Fashion-MNISTデータセットでは40%,CNNでは最大40%の堅牢性を示した。
  論文  参考訳（メタデータ） (2024-11-03T21:18:07Z)
• CADE: Cosine Annealing Differential Evolution for Spiking Neural Network [3.933578042941731]
  スパイキングニューラルネットワーク(SNN)は、ニューロモルフィックコンピューティングとエネルギー効率のよい人工知能のポテンシャルで有名になった。 本稿では,CADE(Cosine Annealing Differential Evolution)を導入して課題に挑戦する。 CADEは、SNNモデル、すなわちスパイキング要素ワイズ(SEW)ResNetの差分進化の突然変異因子(F)とクロスオーバー率(CR)を変調する。
  論文  参考訳（メタデータ） (2024-06-04T14:24:35Z)
• Deep Continuous Networks [21.849285945717632]
  空間的連続フィルタとニューラルODEの連続深度フレームワークを組み合わせたディープ連続ネットワーク(DCN)を提案する。 これにより、トレーニング中のフィルタの空間的サポートを学習し、特徴写像の連続的な進化をモデル化し、DCNを生物学的モデルに密接にリンクすることができる。 パラメータとデータ効率を改善し,メタパラメトリゼーションを可能にする標準画像分類・再構成問題に対して,DCNは汎用性が高く,高い適用性を示す。
  論文  参考訳（メタデータ） (2024-02-02T16:50:18Z)
• ConCerNet: A Contrastive Learning Based Framework for Automated Conservation Law Discovery and Trustworthy Dynamical System Prediction [82.81767856234956]
  本稿では,DNNに基づく動的モデリングの信頼性を向上させるために,ConCerNetという新しい学習フレームワークを提案する。 本手法は, 座標誤差と保存量の両方において, ベースラインニューラルネットワークよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2023-02-11T21:07:30Z)

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。