論文の概要: Low-Density 3D Point Cloud Classification
- arxiv url: http://arxiv.org/abs/2611.05291v1
- Date: Tue, 03 Nov 2026 18:07:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-07 13:10:57.447235
- Title: Low-Density 3D Point Cloud Classification
- Title(参考訳): 低密度3Dポイントクラウド分類
- Abstract要約: 本稿では,低密度点雲の分類に最適化されたアーキテクチャであるLD-PointNet++を紹介する。
我々は,様々な密度にわたる最先端のクラウド分類手法を体系的に評価する,最初のベンチマーク研究を行った。
ModelNetベンチマークデータセットの実験結果は、LD-PointNet++がこれらのメソッドを低密度シナリオで上回るだけでなく、異なる密度レベルで90%以上の一貫性のある精度を示すことを示している。
- 参考スコア(独自算出の注目度): 1.7403133838762448
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: 3D point cloud classification, a task in computer vision, has recently gained substantial interest due to its extensive applications across various domains such as augmented and virtual reality, robotics, and autonomous driving. However, classifying 3D point clouds becomes challenging in real-world scenarios where the density levels vary. These variations are due to limitations inherent to current sensing technologies and variable environmental conditions, which often prevent the capture of detailed and comprehensive geometric representations. Existing classification methods, which have demonstrated impressive results on dense point clouds, may be affected and could experience reduced performance when dealing with low-density point clouds. Addressing this challenge, this paper introduces LD-PointNet++, an architecture optimized for the classification of low-density point clouds. To pave the way for LD-PointNet++, we conduct the first benchmarking study that systematically evaluates state-of-the-art point cloud classification methods across varying densities, revealing significant performance declines in low-density environments. Experimental results on the ModelNet benchmark dataset demonstrate that LD-PointNet++ not only outperforms these methods in low-density scenarios but also demonstrates consistent accuracy above 90% across different density levels.
- Abstract(参考訳): コンピュータビジョンにおけるタスクである3Dポイントクラウド分類は、拡張現実や仮想現実、ロボティクス、自動運転など、さまざまな分野にまたがる広範な応用により、最近大きな関心を集めている。
しかし,密度レベルが異なる実世界のシナリオでは,3次元点雲の分類が困難になる。
これらのバリエーションは、現在のセンシング技術と様々な環境条件に固有の制限のためであり、しばしば詳細で包括的な幾何学的表現の捕獲を妨げている。
既存の分類法は、密度の低い点雲に顕著な結果をもたらしており、密度の低い点雲を扱う際には、性能が低下する可能性がある。
本稿では,低密度点雲の分類に最適化されたアーキテクチャであるLD-PointNet++を紹介する。
LD-PointNet++の道を開くために、我々は、様々な密度にわたる最先端のクラウド分類手法を体系的に評価し、低密度環境での大幅な性能低下を明らかにした最初のベンチマーク研究を行った。
ModelNetベンチマークデータセットの実験結果は、LD-PointNet++がこれらのメソッドを低密度シナリオで上回るだけでなく、異なる密度レベルで90%以上の一貫性のある精度を示すことを示している。
関連論文リスト
- Neural Visibility of Point Sets [31.13434703858653]
本稿では,2進分類タスクとして定式化することで,点雲の可視性判定に新たなアプローチを提案する。
我々のネットワークは、レンダリングされた3Dモデルから生成された地味な可視性ラベルでエンドツーエンドに訓練されている。
提案手法は,HPRの精度と計算効率を両立させ,最大126倍の高速化を実現した。
論文 参考訳(メタデータ) (2025-09-29T00:54:00Z) - SODA: Out-of-Distribution Detection in Domain-Shifted Point Clouds via Neighborhood Propagation [32.375671187101716]
我々は,ポイントクラウドオブジェクトにおけるOOD検出のための3次元視覚言語モデルの進歩を活用している。
大きな課題は、画像ベースのデータセットに比べて、ポイントクラウドデータセットのサイズとオブジェクトの多様性が大幅に小さいことです。
そこで本研究では,OOD点群の検出を近隣のスコア伝搬方式により改善するSODAと呼ばれる新しい手法を提案する。
論文 参考訳(メタデータ) (2025-06-27T04:05:55Z) - DG-MVP: 3D Domain Generalization via Multiple Views of Point Clouds for Classification [10.744510913722817]
ディープニューラルネットワークは3Dポイントクラウド分類において大きな成功を収めている。
本稿では,3次元クラウド領域の一般化問題に焦点をあてる。
本稿では,3次元点雲領域の一般化手法を提案する。
論文 参考訳(メタデータ) (2025-04-16T19:43:32Z) - ModelNet-O: A Large-Scale Synthetic Dataset for Occlusion-Aware Point
Cloud Classification [28.05358017259757]
本論文では,123,041サンプルの大規模合成データセットであるModelNet-Oを提案する。
ModelNet-Oは、モノクロカメラからのスキャンによる自己閉塞で現実世界の点雲をエミュレートする。
本稿では,PointMLSと呼ばれるロバストポイントクラウド処理手法を提案する。
論文 参考訳(メタデータ) (2024-01-16T08:54:21Z) - Point Cloud Pre-training with Diffusion Models [62.12279263217138]
我々は、ポイントクラウド拡散事前学習(PointDif)と呼ばれる新しい事前学習手法を提案する。
PointDifは、分類、セグメンテーション、検出など、さまざまな下流タスクのために、さまざまな現実世界のデータセット間で大幅に改善されている。
論文 参考訳(メタデータ) (2023-11-25T08:10:05Z) - Risk-optimized Outlier Removal for Robust 3D Point Cloud Classification [54.286437930350445]
本稿では,各種ノイズによる点雲分類の課題について述べる。
本稿では,下流分類モデルのパワーを生かした革新的なポイントアウトリア浄化手法を提案する。
提案手法は, 多様な点雲の異常値を頑健にフィルタするだけでなく, 既存の点雲分類手法を大幅に強化する。
論文 参考訳(メタデータ) (2023-07-20T13:47:30Z) - StarNet: Style-Aware 3D Point Cloud Generation [82.30389817015877]
StarNetは、マッピングネットワークを使用して高忠実度および3Dポイントクラウドを再構築し、生成することができる。
我々のフレームワークは、クラウドの再構築と生成タスクにおいて、様々なメトリクスで同等の最先端のパフォーマンスを達成します。
論文 参考訳(メタデータ) (2023-03-28T08:21:44Z) - Dual Adaptive Transformations for Weakly Supervised Point Cloud
Segmentation [78.6612285236938]
弱制御点雲分割のための新しいDATモデル(textbfDual textbfAdaptive textbfTransformations)を提案する。
我々は,大規模S3DISデータセットとScanNet-V2データセットの2つの人気バックボーンを用いたDATモデルの評価を行った。
論文 参考訳(メタデータ) (2022-07-19T05:43:14Z) - A Conditional Point Diffusion-Refinement Paradigm for 3D Point Cloud
Completion [69.32451612060214]
実スキャンされた3Dポイントクラウドはしばしば不完全であり、下流アプリケーションのために完全なポイントクラウドを復元することが重要である。
ほとんどの既存のポイントクラウド補完方法は、トレーニングにチャンファー距離(CD)損失を使用する。
本稿では,点雲完了のためのPDR(Point Diffusion-Refinement)パラダイムを提案する。
論文 参考訳(メタデータ) (2021-12-07T06:59:06Z) - SoftPoolNet: Shape Descriptor for Point Cloud Completion and
Classification [93.54286830844134]
本稿では,点雲に基づく3次元オブジェクトの補完と分類手法を提案する。
デコーダの段階では,グローバルな活性化エントロピーの最大化を目的とした新しい演算子である地域畳み込みを提案する。
我々は,オブジェクトの完成度や分類,最先端の精度の達成など,異なる3次元タスクに対するアプローチを評価する。
論文 参考訳(メタデータ) (2020-08-17T14:32:35Z)
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。