文献

J-GLOBAL ID：202002288002088106   整理番号：20A1748757

3D点集合セグメンテーションのための回転不変およびマルチスケール特徴グラフ上の畳込み【JST・京大機械翻訳】

Convolution on Rotation-Invariant and Multi-Scale Feature Graph for 3D Point Set Segmentation

著者 (4件)： Furuya Takahiko (Department of Computer Science and Engineering, University of Yamanashi, Kofu, Japan) ,  Hang Xu (School of Computer Science, Hangzhou Dianzi University, Hangzhou, China) ,  Ohbuchi Ryutarou (Department of Computer Science and Engineering, University of Yamanashi, Kofu, Japan) ,  Yao Jinliang (School of Computer Science, Hangzhou Dianzi University, Hangzhou, China)
資料名： IEEE Access  (IEEE Access)
巻： 8  ページ： 140250-140260  発行年： 2020年 
JST資料番号： W2422A  ISSN： 2169-3536  資料種別： 逐次刊行物 (A)
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： 3D物体の回転に対する不変性は,3D形状解析のための本質的な特性の一つである。最近提案されたアルゴリズムは,固有回転不変3D形状特徴,すなわち,深ニューラルネットワーク(DNN)への入力として,3D点間の距離と角度を用いて,回転不変3D点集合解析を達成した。DNNは幾何学的特徴間の空間階層とコンテキストを捉え,正確な解析結果を生成する。本論文では,回転不変で高精度の3D点集合解析に対するDNNベース手法にさらにデリービングした。特に,3Dポイント集合のセグメンテーションに関する注目を集中し,それは3D点集合解析タスクの中で最も挑戦的なものの一つである。回転不変およびマルチスケール特徴グラフ畳込みニューラルネットワークまたはRMGnetと呼ばれる3D点集合セグメンテーションのための新しいDNNを提案した。著者らのRMGnetは,回転不変性を持つ手作業3D形状特徴の入力として受け入れられるので,以前の方法より柔軟である。さらに,種々のサイズを持つ部品から成る3D点集合を正確にセグメント化するために,著者らは手作業特徴を抽出し,DNNを用いて特徴の多重解像度解析を行うスケールをランダム化した。実験的評価は,提案したRMGnetの回転不変性と同様に高いセグメンテーション精度を実証した。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  *畳込み ,  *セグメンテーション ,  ニューラルネットワーク ,  回転不変性 ,  *三次元 ,  不変性
準シソーラス用語： *点集合 ,  マルチスケール ,  三次元形状 ,  高精度 ,  多重解像度解析 ,  セグメンテーション精度 ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

分類 (2件)： 図形・画像処理一般  (JE04010I) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (7件)： 3D ,  点集合 ,  セグメンテーション ,  不変 ,  マルチスケール ,  グラフ ,  畳込み