論文の概要: StickyPillars: Robust and Efficient Feature Matching on Point Clouds
using Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2002.03983v3
- Date: Fri, 19 Feb 2021 09:18:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-02 09:07:53.123398
- Title: StickyPillars: Robust and Efficient Feature Matching on Point Clouds
using Graph Neural Networks
- Title（参考訳）: StickyPillars: グラフニューラルネットワークを用いたポイントクラウド上のロバストで効率的な特徴マッチング
- Authors: Kai Fischer, Martin Simon, Florian Oelsner, Stefan Milz, Horst-Michael
Gross, Patrick Maeder
- Abstract要約: StickyPillarsは、ポイントクラウド上の高速で正確で、非常に堅牢な3D機能マッチング方法である。
KITTIデータセット上で実証された登録問題に対して,最先端技術による精度評価結果を示す。
我々はマッチングシステムをLiDARオドメトリーパイプラインに統合し、KITTIデータセット上で最も正確な結果を得る。
- 参考スコア（独自算出の注目度）: 16.940377259203284
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Robust point cloud registration in real-time is an important prerequisite for
many mapping and localization algorithms. Traditional methods like ICP tend to
fail without good initialization, insufficient overlap or in the presence of
dynamic objects. Modern deep learning based registration approaches present
much better results, but suffer from a heavy run-time. We overcome these
drawbacks by introducing StickyPillars, a fast, accurate and extremely robust
deep middle-end 3D feature matching method on point clouds. It uses graph
neural networks and performs context aggregation on sparse 3D key-points with
the aid of transformer based multi-head self and cross-attention. The network
output is used as the cost for an optimal transport problem whose solution
yields the final matching probabilities. The system does not rely on hand
crafted feature descriptors or heuristic matching strategies. We present
state-of-art art accuracy results on the registration problem demonstrated on
the KITTI dataset while being four times faster then leading deep methods.
Furthermore, we integrate our matching system into a LiDAR odometry pipeline
yielding most accurate results on the KITTI odometry dataset. Finally, we
demonstrate robustness on KITTI odometry. Our method remains stable in accuracy
where state-of-the-art procedures fail on frame drops and higher speeds.
- Abstract（参考訳）: リアルタイムのロバストなポイントクラウド登録は、多くのマッピングとローカライズアルゴリズムにとって重要な前提条件である。
icpのような従来のメソッドは、初期化や重複不足、動的オブジェクトの存在なしに失敗する傾向がある。
現代のディープラーニングベースの登録アプローチは、はるかに優れた結果を示すが、重い実行時間に悩まされている。
ポイントクラウド上で高速かつ正確かつ極めてロバストな3d機能マッチング手法であるstickypillarsを導入することで,これらの欠点を克服した。
グラフニューラルネットワークを使用し、トランスフォーマーベースのマルチヘッドセルフとクロスアテンションの助けを借りて、スパース3Dキーポイントでコンテキストアグリゲーションを実行する。
ネットワーク出力は、解が最終一致確率をもたらす最適輸送問題のコストとして使用される。
このシステムは、手作りの特徴記述子やヒューリスティックマッチング戦略に依存しない。
我々は,KITTIデータセット上で実証された登録問題に対する最先端技術精度の結果を,深層手法の4倍の速度で示す。
さらに,このマッチングシステムをlidarオドメトリパイプラインに統合し,kittiオドメトリデータセット上で最も正確な結果を得る。
最後に,KITTIオドメトリーにおけるロバスト性を示す。
本手法は,フレームドロップや高速で最先端の手順が失敗する場合の精度が安定している。
関連論文リスト
- Deep Loss Convexification for Learning Iterative Models [11.36644967267829]
点雲登録のための反復的最近点(ICP)のような反復的手法は、しばしば悪い局所最適性に悩まされる。
我々は,各地真実の周囲に凸景観を形成する学習を提案する。
論文 参考訳（メタデータ） (2024-11-16T01:13:04Z) - DIPR: Efficient Point Cloud Registration via Dynamic Iteration [4.491867613612359]
我々は、ダイナミックイットフレームワークであるDIPRを通じて、スペーサー入力ポイントに基づくオーバーラップポイントに対話的にフォーカスする、新しい効率的なポイントクラウド登録を導入する。
提案手法は,最先端手法と比較して計算時間とGPUメモリ消費を大幅に削減しつつ,優れた登録精度を実現する。
論文 参考訳（メタデータ） (2023-12-05T16:47:46Z) - GAFAR: Graph-Attention Feature-Augmentation for Registration A Fast and
Light-weight Point Set Registration Algorithm [12.592563880121816]
点雲の厳格な登録は コンピュータビジョンの根本的な問題です
コンピュータビジョンにおけるディープラーニングは、このトピックの研究に新たな動機をもたらした。
本稿では,アテンション機構を用いた高速で軽量なネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-07-05T14:50:36Z) - TCT: Convexifying Federated Learning using Bootstrapped Neural Tangent
Kernels [141.29156234353133]
最先端の凸学習手法は、クライアントが異なるデータ分布を持つ場合、集中型よりもはるかにパフォーマンスが劣る。
我々は、この格差は、非NISTityが提示した課題に大きく起因していることを示す。
本稿では,Train-Convexify Neural Network (TCT) 手法を提案する。
論文 参考訳（メタデータ） (2022-07-13T16:58:22Z) - Learning Dense Features for Point Cloud Registration Using Graph
Attention Network [0.0]
本稿では,ポイントクラウドマッチングと登録のためのグラフアテンションネットワークを用いて,高密度特徴を効率的かつ経済的に抽出するフレームワークを提案する。
DFGATの検出器は、大規模な生データセットにおいて、信頼性の高いキーポイントを見つける責任がある。
グラフアテンションネットワークは、ポイントクラウド間の関係を強化するアテンションメカニズムを使用している。
論文 参考訳（メタデータ） (2022-06-14T10:28:57Z) - IDEA-Net: Dynamic 3D Point Cloud Interpolation via Deep Embedding
Alignment [58.8330387551499]
我々は、点方向軌跡(すなわち滑らかな曲線)の推定として問題を定式化する。
本稿では,学習した時間的一貫性の助けを借りて問題を解消する,エンドツーエンドのディープラーニングフレームワークであるIDEA-Netを提案する。
各種点群における本手法の有効性を実証し, 定量的かつ視覚的に, 最先端の手法に対する大幅な改善を観察する。
論文 参考訳（メタデータ） (2022-03-22T10:14:08Z) - DFC: Deep Feature Consistency for Robust Point Cloud Registration [0.4724825031148411]
複雑なアライメントシーンのための学習に基づくアライメントネットワークを提案する。
我々は,3DMatchデータセットとKITTIオドメトリデータセットに対するアプローチを検証する。
論文 参考訳（メタデータ） (2021-11-15T08:27:21Z) - Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge
Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。
まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。
そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文 参考訳（メタデータ） (2021-08-09T08:45:47Z) - Self-Supervised Multi-Frame Monocular Scene Flow [61.588808225321735]
自己監督学習に基づくマルチフレーム一眼的シーンフローネットワークを導入。
自己監督学習に基づく単眼的シーンフロー法における最新の精度を観察する。
論文 参考訳（メタデータ） (2021-05-05T17:49:55Z) - RPM-Net: Robust Point Matching using Learned Features [79.52112840465558]
RPM-Netは、より敏感で、より堅牢なディープラーニングベースのアプローチである。
既存の方法とは異なり、我々のRPM-Netは、部分的な可視性を備えた対応や点雲の欠如を処理します。
論文 参考訳（メタデータ） (2020-03-30T13:45:27Z) - 3DSSD: Point-based 3D Single Stage Object Detector [61.67928229961813]
本稿では,3DSSDと命名された点ベース3次元単段物体検出器を提案し,精度と効率のバランスが良好であることを示す。
提案手法は,最先端のボクセルをベースとした一段法を大差で上回り,二段法に匹敵する性能を有する。
論文 参考訳（メタデータ） (2020-02-24T12:01:58Z)
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。