論文の概要: LRF-Net: Learning Local Reference Frames for 3D Local Shape Description
and Matching
- arxiv url: http://arxiv.org/abs/2001.07832v2
- Date: Sun, 3 May 2020 00:13:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-07 18:03:11.887892
- Title: LRF-Net: Learning Local Reference Frames for 3D Local Shape Description
and Matching
- Title(参考訳): LRF-Net:3次元局所形状記述とマッチングのための局所参照フレーム学習
- Authors: Angfan Zhu, Jiaqi Yang, Weiyue Zhao, Zhiguo Cao
- Abstract要約: 局所参照フレーム(LRF)は3次元局所形状記述およびマッチングにおいて重要な役割を果たす。
本稿では,弱い監督しか必要としないシームズネットワークを通じてLRFを学習する試みについて述べる。
- 参考スコア(独自算出の注目度): 21.119652628446936
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The local reference frame (LRF) acts as a critical role in 3D local shape
description and matching. However, most of existing LRFs are hand-crafted and
suffer from limited repeatability and robustness. This paper presents the first
attempt to learn an LRF via a Siamese network that needs weak supervision only.
In particular, we argue that each neighboring point in the local surface gives
a unique contribution to LRF construction and measure such contributions via
learned weights. Extensive analysis and comparative experiments on three public
datasets addressing different application scenarios have demonstrated that
LRF-Net is more repeatable and robust than several state-of-the-art LRF methods
(LRF-Net is only trained on one dataset). In addition, LRF-Net can
significantly boost the local shape description and 6-DoF pose estimation
performance when matching 3D point clouds.
- Abstract(参考訳): 局所参照フレーム(LRF)は3次元局所形状記述およびマッチングにおいて重要な役割を果たす。
しかし、既存のLRFのほとんどは手作りであり、再現性と堅牢性に限界がある。
本稿では,弱監視のみを必要とするシャムネットワークを介してlrfを学習する最初の試みを提案する。
特に、局所曲面の各近傍点は、LRFの構成に一意的な寄与を与え、学習重みを通してそのような寄与を測定する。
さまざまなアプリケーションシナリオに対処する3つの公開データセットに関する大規模な分析と比較実験により、LRF-Netは、いくつかの最先端のLRFメソッドよりも再現性が高く、堅牢であることが示された(LRF-Netは、1つのデータセットでのみトレーニングされている)。
さらに、LRF-Netは3次元点雲のマッチング時に局所形状記述と6-DoFポーズ推定性能を大幅に向上させることができる。
関連論文リスト
- Registering Neural Radiance Fields as 3D Density Images [55.64859832225061]
我々は,様々な場面でトレーニングやテストが可能な,普遍的な事前学習型ニューラルネットワークを提案する。
我々は,グローバルアプローチとして,NeRFモデルを効果的に登録できることを実証した。
論文 参考訳(メタデータ) (2023-05-22T09:08:46Z) - LiDAR-NeRF: Novel LiDAR View Synthesis via Neural Radiance Fields [112.62936571539232]
本稿では,LiDARセンサのための新しいビュー合成手法を提案する。
スタイルトランスファーニューラルネットワークを用いた従来のモデルベースLiDARシミュレータは、新しいビューのレンダリングに応用できる。
ニューラル放射場(NeRF)を用いて幾何学と3D点の属性の連成学習を容易にする。
論文 参考訳(メタデータ) (2023-04-20T15:44:37Z) - Correspondence Distillation from NeRF-based GAN [135.99756183251228]
神経放射野(NeRF)は、物体やシーンの微細な詳細を保存するための有望な結果を示している。
同じカテゴリの異なるNeRFをまたいで密度の高い対応を構築することは、依然として未解決の問題である。
トレーニング済みのNeRFベースGANにカプセル化されているリッチなセマンティクスと構造的先行性を活用することで,これらの課題を回避可能であることを示す。
論文 参考訳(メタデータ) (2022-12-19T18:54:59Z) - LCPFormer: Towards Effective 3D Point Cloud Analysis via Local Context
Propagation in Transformers [60.51925353387151]
本稿では,近隣地域間のメッセージパッシングを活用するために,LCP (Local Context Propagation) という新しいモジュールを提案する。
隣接するローカル領域の重複点を仲介として使用した後、異なるローカルリージョンからの共有ポイントの特徴を再重み付けし、その後、次のレイヤに渡す。
提案手法は, 異なるタスクに適用可能であり, 3次元形状分類や高密度予測タスクを含むベンチマークにおいて, 様々なトランスフォーマーベースの手法より優れる。
論文 参考訳(メタデータ) (2022-10-23T15:43:01Z) - The Z-axis, X-axis, Weight and Disambiguation Methods for Constructing
Local Reference Frame in 3D Registration: An Evaluation [4.336901937785687]
局所参照フレーム(LRF)は3次元局所特徴記述子構築と3次元変換推定に広く用いられている。
我々は既存のLRFにおけるz軸、x軸、重み、曖昧さを包括的に解析する。
いくつかの新しい設計されたRF軸は、最先端のものよりも優れた性能を示す。
論文 参考訳(メタデータ) (2022-04-17T14:29:06Z) - Three-Way Deep Neural Network for Radio Frequency Map Generation and
Source Localization [67.93423427193055]
空間、時間、周波数領域にわたる無線スペクトルのモニタリングは、5Gと6G以上の通信技術において重要な特徴となる。
本稿では,空間領域全体にわたる不規則分散計測を補間するGAN(Generative Adversarial Network)機械学習モデルを提案する。
論文 参考訳(メタデータ) (2021-11-23T22:25:10Z) - HCRF-Flow: Scene Flow from Point Clouds with Continuous High-order CRFs
and Position-aware Flow Embedding [116.77676304438792]
隣接点間の滑らかさを強制するために,動きの一貫性を導入する。
局所変換の剛性に関する制約は、各局所領域内のすべての点に対して一意的な剛性パラメータを共有することで追加される。
提案フレームワーク(hcrf-flow)は最先端の性能を実現し,これまでのアプローチを大きく上回っている。
論文 参考訳(メタデータ) (2021-05-17T11:53:58Z) - Local Context Attention for Salient Object Segmentation [5.542044768017415]
本研究では,一様表現型アーキテクチャで局所強化特徴写像を生成するための新しいローカルコンテキスト注意ネットワーク(LCANet)を提案する。
提案するネットワークでは,粗い予測と大域的コンテキストの間の相関特徴写像を計算し,アテンショナル・コリレーション・フィルタ (ACF) モジュールを導入している。
いくつかの有能なオブジェクトセグメンテーションデータセットに対して総合的な実験を行い、提案したLCANetの最先端手法に対する優れた性能を実証した。
論文 参考訳(メタデータ) (2020-09-24T09:20:06Z) - Local Rotation Invariance in 3D CNNs [3.579867431007686]
局所回転不変量 (LRI) 画像解析は多くの応用において基礎となることが示されている。
本稿では,LRI CNNを指向性に敏感に取得するためのいくつかの手法を提案し,比較する。
その結果、LRI画像解析の重要性が示され、トレーニング可能なパラメータが大幅に削減され、データ拡張で訓練された標準3D CNNよりも優れていた。
論文 参考訳(メタデータ) (2020-03-19T16:24:49Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。