Classifying Objects in 3D Point Clouds Using Recurrent Neural Network: A GRU LSTM Hybrid Approach

要約

3D 点群内のオブジェクトの正確な分類は、自律ナビゲーションや拡張現実/仮想現実シナリオなどのいくつかのアプリケーションにおいて重要な問題であり、研究のホットスポットとなっています。
この論文では、拡張現実における 3D オブジェクト分類のための深層学習戦略を紹介しました。
提案されたアプローチは、GRU と LSTM を組み合わせたものです。
LSTM ネットワークは長い依存関係をよく学習しますが、ゲートの数が多いため、トレーニングに時間がかかります。
一方、GRU ネットワークのパフォーマンスは LSTM より劣りますが、トレーニング速度は GRU よりもはるかに高速です。これは、ゲート数が少ないためです。
提案されたアプローチでは、これら 2 つのネットワークの速度と精度を組み合わせて使用​​しました。
提案されたアプローチは、8 つのクラス (ラベルなし、人工地形、自然地形、高い植生、低い植生、建物、ハードスケープ、スキャン アーティファクト、自動車) を含む 4,499,0641 ポイントのデータセットで 0.99 の精度を達成しました。
一方、従来の機械学習アプローチでは、最良の場合、最大精度 0.9489 を達成できます。
キーワード: 点群分類、仮想現実、ハイブリッド モデル、GRULSTM、GRU、LSTM

要約(オリジナル)

Accurate classification of objects in 3D point clouds is a significant problem in several applications, such as autonomous navigation and augmented/virtual reality scenarios, which has become a research hot spot. In this paper, we presented a deep learning strategy for 3D object classification in augmented reality. The proposed approach is a combination of the GRU and LSTM. LSTM networks learn longer dependencies well, but due to the number of gates, it takes longer to train; on the other hand, GRU networks have a weaker performance than LSTM, but their training speed is much higher than GRU, which is The speed is due to its fewer gates. The proposed approach used the combination of speed and accuracy of these two networks. The proposed approach achieved an accuracy of 0.99 in the 4,499,0641 points dataset, which includes eight classes (unlabeled, man-made terrain, natural terrain, high vegetation, low vegetation, buildings, hardscape, scanning artifacts, cars). Meanwhile, the traditional machine learning approaches could achieve a maximum accuracy of 0.9489 in the best case. Keywords: Point Cloud Classification, Virtual Reality, Hybrid Model, GRULSTM, GRU, LSTM

arxiv情報

提供元, 利用サービス

arxiv.jp, Google