共通の破損に対する3Dポイントクラウド認識のロバスト性のベンチマーキング【JST・京大機械翻訳】

Sun Jiachen; Zhang Qingzhao; Kailkhura Bhavya; Yu Zhiding; Xiao Chaowei; Mao Z. Morley

プレプリント

J-GLOBAL ID：202202211881355138 整理番号：22P0281456

共通の破損に対する3Dポイントクラウド認識のロバスト性のベンチマーキング【JST・京大機械翻訳】

Benchmarking Robustness of 3D Point Cloud Recognition Against Common Corruptions

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (6件)： , , , , ,
資料名：
発行年： 2022年01月28日プレプリントサーバーでの情報更新日： 2022年01月28日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

3Dポイントクラウドデータ上の深層ニューラルネットワークは,特に安全クリティカルアプリケーションにおいて,実世界で広く使用されている。しかし,腐敗に対するロバスト性は,あまり研究されていない。本論文では,15の共通と現実的なコラプションから成る3Dポイントクラウド崩壊ロバスト性に関する最初の包括的ベンチマークであるModelNet40-Cを提示した。著者らの評価は,最先端の(SOTA)モデルのためのモデルNet40とModelNet40-Cの性能の間の有意なギャップを示した。ギャップを減らすために,著者らは,広範囲の拡張と試験時間適応戦略を評価した後に,PointCutMix-RとTENTを結合することによって,簡単で効果的な方法を提案する。点雲認識における崩壊ロバスト性に関する将来の研究に対する多くの重要な洞察を同定した。例えば,適切な訓練レシピを有する変換器ベースのアーキテクチャが最も強いロバスト性を達成することを明らかにした。この詳細な解析は,3Dポイントクラウドドメインにおけるロバスト訓練戦略またはアーキテクチャ設計の開発を動機づけることが期待される。著者らのコードベースとデータセットをhttps://github.com/jiachens/ModelNet40 Cに含めた。【JST・京大機械翻訳】

, , , , , ,
, , , , , 【Automatic Indexing@JST】

図形・画像処理一般 , パターン認識

, , , , ,

前のページに戻る