Optimization of Sparse Convolution for 3D-Point Cloud on GPUs with CUDA

要約

近年、深層学習手法、特に畳み込みニューラル ネットワーク (CNN) の利用が大幅に増加しており、画像の分析や処理など、構造化されたグリッド データを含むさまざまな分野で有力なアプローチとして浮上しています。
それにもかかわらず、多くの分野で LiDAR と 3D センサーの利用が急激に増加したため、3D 点群の分析の必要性が高まっています。
3D 点群の利用は、3 次元環境内の物の空間描写を提供するため、物体認識やセグメンテーションなどのさまざまなアプリケーションで非常に重要です。
写真とは対照的に、点群はまばらで規則的なグリッドがないため、処理と計算に特有の問題が生じます。

要約(オリジナル)

In recent years, there has been a significant increase in the utilization of deep learning methods, particularly convolutional neural networks (CNNs), which have emerged as the dominant approach in various domains that involve structured grid data, such as picture analysis and processing. Nevertheless, the exponential growth in the utilization of LiDAR and 3D sensors across many domains has resulted in an increased need for the analysis of 3D point clouds. The utilization of 3D point clouds is crucial in various applications, including object recognition and segmentation, as they offer a spatial depiction of things within a three-dimensional environment. In contrast to photos, point clouds exhibit sparsity and lack a regular grid, hence posing distinct processing and computational issues.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google