抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
自己監督学習は点雲解析に対して完全には調査されていない。現在のフレームワークは主に点雲再構成に基づいている。3D座標のみを考えると,このようなアプローチは局所幾何学的構造と輪郭を学習する傾向があるが,高レベルの意味内容の理解には失敗する。その結果,それらは分類,セグメンテーションなどの下流タスクにおいて不満足な性能を達成する。このギャップを埋めるために,著者らは,ポイントクラウドにおける意味コンテンツを学習するために自己監督再構成を効果的に誘導することができ,その結果,ポイントクラウド表現の識別力を促進する,一般的輪郭摂動再構成ネットワーク(CP-Net)を提案した。最初に,点雲再構成のための簡潔な輪郭摂動増強モジュールを導入した。幾何学分離のガイダンスによって,著者らはポイントクラウドを輪郭とコンテンツ成分に分割した。続いて,輪郭成分を摂動し,点雲上のコンテンツ成分を保存した。その結果,自己監督者は,そのような摂動されたものから元の点雲を再構成することによって,意味内容に効果的に集中できる。第2に,この摂動再構成を補助分岐として用いて,明確な二重分岐一貫性損失を介して基本再構成枝の学習を誘導した。この場合,このCP-Netは構造輪郭を捉えるだけでなく,弁別的下流タスクに対する意味内容を学習する。最後に,多くの点雲ベンチマークに関する広範な実験を行った。部分セグメンテーション結果は,著者らのCP-Net(mIoUの81.5%)が以前の自己監督モデルより優れていて,完全に監督された方法でギャップを狭めることを示した。分類のために,著者らはモデルNet40(92.5%精度)とScanObjectNN(87.9%精度)に関する完全に監督された方法による競合結果を得る。コードとモデルをその後放出する。【JST・京大機械翻訳】