論文の概要: Autoencoder Based Deep Clustering of Point Clouds
- arxiv url: http://arxiv.org/abs/2611.01594v1
- Date: Sun, 01 Nov 2026 05:22:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-12 22:43:07.283547
- Title: Autoencoder Based Deep Clustering of Point Clouds
- Title(参考訳): オートエンコーダを用いた点雲の深部クラスタリング
- Abstract要約: 我々は、FoldingNetオートエンコーダを再構成のために訓練し、K-means++を結果のコードワードに適用する、完全に教師なしのパイプラインについて検討する。
モデルNet10およびモデルNet40データセット上で、クラスタリング精度(ACC)、正規化相互情報(NMI)、調整されたランドインデックス(ARI)を報告する。
- 参考スコア(独自算出の注目度): 7.4121421815806015
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Motivated by a problem in Generative Specification-Producing AIs (SPAIs), we focus on a problem of deep clustering of three-dimensional shapes specified by point clouds. After reviewing clustering and deep clustering, we study the fully unsupervised pipeline in which a FoldingNet autoencoder is first trained for reconstruction and then K-means++ is then applied to the resulting codewords. We report clustering accuracy (ACC), normalized mutual information (NMI) and adjusted Rand index (ARI) on ModelNet10 and ModelNet40 datasets, as a function of the number of clusters K. We also provide t-SNE visualizations of the codewords, and discuss the choice of K.
- Abstract(参考訳): 生成仕様生成AI(SPAI)の問題に動機づけられた我々は、点雲によって特定される3次元形状の深いクラスタリングの問題に焦点をあてる。
クラスタリングとディープクラスタリングをレビューした後、FoldingNetオートエンコーダを再構築のために訓練し、K-means++を結果のコードワードに適用する、完全に教師なしのパイプラインについて検討する。
我々は、クラスタリング精度(ACC)、正規化相互情報(NMI)、およびモデルNet10およびモデルNet40データセット上の調整ランダムインデックス(ARI)をクラスタ数Kの関数として報告し、また、コードワードのt-SNE可視化を提供し、Kの選択について議論する。
関連論文リスト
- Autoencoded UMAP-Enhanced Clustering for Unsupervised Learning [49.1574468325115]
本稿では,低次元空間にデータを非線形に埋め込み,次に従来のクラスタリングアルゴリズムを用いて非教師なし学習を行う手法を提案する。
この埋め込みはデータのクラスタビリティを促進し、オートエンコーダニューラルネットワークのエンコーダとUMAPアルゴリズムの出力の2つのマッピングで構成されている。
MNISTデータに適用した場合、AUECはクラスタリング精度において最先端技術よりも大幅に優れている。
論文 参考訳(メタデータ) (2025-01-13T22:30:38Z) - Self-Supervised Graph Embedding Clustering [70.36328717683297]
K-means 1-step dimensionality reduction clustering method は,クラスタリングタスクにおける次元性の呪いに対処する上で,いくつかの進歩をもたらした。
本稿では,K-meansに多様体学習を統合する統一フレームワークを提案する。
論文 参考訳(メタデータ) (2024-09-24T08:59:51Z) - 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) - DRBM-ClustNet: A Deep Restricted Boltzmann-Kohonen Architecture for Data
Clustering [0.0]
DRBM-ClustNetと呼ばれるデータクラスタリングのためのベイジアンDeep Restricted Boltzmann-Kohonenアーキテクチャを提案する。
ラベルなしデータの処理は、非線形分離可能なデータセットの効率的なクラスタリングのために、3段階に分けて行われる。
このフレームワークはクラスタリングの精度に基づいて評価され、他の最先端クラスタリング手法と比較してランク付けされる。
論文 参考訳(メタデータ) (2022-05-13T15:12:18Z) - CPSeg: Cluster-free Panoptic Segmentation of 3D LiDAR Point Clouds [2.891413712995641]
CPSegと呼ばれるLiDAR点雲のための新しいリアルタイム・エンド・エンド・エンド・パノプティクス・セグメンテーション・ネットワークを提案する。
CPSegは、共有エンコーダ、デュアルデコーダ、タスク認識アテンションモジュール(TAM)、クラスタフリーインスタンスセグメンテーションヘッドを備える。
論文 参考訳(メタデータ) (2021-11-02T16:44:06Z) - A Framework for Joint Unsupervised Learning of Cluster-Aware Embedding
for Heterogeneous Networks [6.900303913555705]
Heterogeneous Information Network (HIN) は、HINの構造と意味を保存しているHINノードの低次元投影を指す。
本稿では,クラスタ埋め込みとクラスタ認識HIN埋め込みの併用学習を提案する。
論文 参考訳(メタデータ) (2021-08-09T11:36:36Z) - 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) - Joint Optimization of an Autoencoder for Clustering and Embedding [22.16059261437617]
本稿では,自動エンコーダとクラスタリングを同時に学習する代替手法を提案する。
この単純なニューラルネットワークはクラスタリングモジュールと呼ばれ、ディープオートエンコーダに統合され、ディープクラスタリングモデルとなる。
論文 参考訳(メタデータ) (2020-12-07T14:38:10Z) - Leveraging tensor kernels to reduce objective function mismatch in deep
clustering [19.09439997799764]
目的関数ミスマッチ(Objective Function Mismatch, OFM)は、ある目的の最適化が別の目的に負の影響を与える場合に発生する。
本研究では、ディープクラスタリングにおけるOFMについて検討し、ディープクラスタリングに対する一般的なオートエンコーダベースのアプローチがクラスタリング性能の低下につながることを明らかにする。
ミスマッチを低減するため, 補助目標の構造保存性を維持しつつ, 新たな補助目標セットを提案する。
論文 参考訳(メタデータ) (2020-01-20T09:07:59Z)
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。