· 2018
SO-Net: Nokta Bulutu Analizi için Kendi Kendini Organize Eden Ağ
SO-Net: Self-Organizing Network for Point Cloud Analysis
- 984atıf
- 2018yıl
Kısa özet
Sırasız nokta bulutlarını işlemek için Kendi Kendini Organize Eden Harita (SOM) kullanan yeni bir derin öğrenme mimarisi olan SO-Net, sınıflandırma ve yeniden yapılandırma gibi görevlerde son teknoloji performansı elde ederken mevcut yöntemlerden önemli ölçüde daha hızlı eğitilir.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- SO-Net, uzamsal dağılımı modellemek ve nokta bulutlarının permütasyona duyarsız işlenmesini sağlamak için Kendi Kendini Organize Eden Harita (SOM) kullanır.
- Ağ, bireysel noktalar ve SOM düğümleri üzerinde hiyerarşik özellik çıkarma işlemi yapar ve tüm nokta bulutunu tek bir özellik vektörü ile temsil eder.
- Noktalar ve SOM düğümleri arasındaki k-en yakın komşu araması ayarlanarak alıcı alan boyutu ayarlanabilir.
- SO-Net, nokta bulutu yeniden yapılandırma, sınıflandırma, nesne parçası segmentasyonu ve şekil alma işlemlerinde rekabetçi veya üstün performans gösterir.
- Mimarinin paralelleştirilebilirliği ve basitliği, mevcut ağlara kıyasla önemli ölçüde daha hızlı eğitim süreleri ile sonuçlanır.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
This paper presents SO-Net, a permutation invariant architecture for deep learning with orderless point clouds. The SO-Net models the spatial distribution of point cloud by building a Self-Organizing Map (SOM). Based on the SOM, SO-Net performs hierarchical feature extraction on individual points and SOM nodes, and ultimately represents the input point cloud by a single feature vector. The receptive field of the network can be systematically adjusted by conducting point-to-node k nearest neighbor search. In recognition tasks such as point cloud reconstruction, classification, object part segmentation and shape retrieval, our proposed network demonstrates performance that is similar with or better than state-of-the-art approaches. In addition, the training speed is significantly faster than existing point cloud recognition networks because of the parallelizability and simplicity of the proposed architecture. Our code is available at the project website1.
Yazarların özeti; kaynağından alınmıştır., 2018 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Hesaplamalı Mekanik
Computational MechanicsEngineering