文献

J-GLOBAL ID：201702288352973977   整理番号：17A1773559

OctNet:高分解能での学習深い3D表現【Powered by NICT】

OctNet: Learning Deep 3D Representations at High Resolutions

著者 (3件)： Riegler Gernot ,  Ulusoy Ali Osman ,  Geiger Andreas
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： CVPR  ページ： 6620-6629  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： OctNet,スパース3Dデータを用いた深い学習のための表現を提案した。既存モデルとは対照的に,この表現は,深い及び高分解能3D畳込みネットワークを可能にする。このゴールに向けて,各リーフノードは,プールされた特徴表現を保存する不平衡八分木のセットを用いて空間を分割する階層的に入力データのスパース性を利用した。は,関連する高密度領域に記憶割当と計算に焦点を当てることができ,分解能を損なうことなく,より深いネットワークを可能にする。3Dオブジェクト分類,方向推定と点群標識を含むいくつかの3Dタスクに対する解像度の影響を解析することにより,このOctNet表現の有用性を実証した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： *三次元 ,  ネットワーク ,  *分解能 ,  透視図法 ,  到来方向推定 ,  点群 ,  *高分解能 ,  畳込み ,  記憶割当
準シソーラス用語： 高密度 ,  スパース性 ,  入力データ ,  八分木 ,  三次元データ , 【Automatic Indexing@JST】

分類 (2件)： 記憶方式  (JC02040V) ,  システム・制御理論一般  (IA02010H)

タイトルに関連する用語 (4件)： 高分解能 ,  学習 ,  3D ,  表現