論文の概要: Registration of multi-view point sets under the perspective of
expectation-maximization
- arxiv url: http://arxiv.org/abs/2002.07464v2
- Date: Mon, 9 Mar 2020 08:55:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-30 20:18:31.988297
- Title: Registration of multi-view point sets under the perspective of
expectation-maximization
- Title（参考訳）: 期待最大化の観点からの多視点点集合の登録
- Authors: Jihua Zhu, Jing Zhang, Huimin Lu, and Zhongyu Li
- Abstract要約: 我々は、期待最大化(EM)の観点から、新しい多視点登録手法を提案する。
提案手法は、いくつかのベンチマークデータセットでテストされ、最先端のアルゴリズムと比較される。
- 参考スコア（独自算出の注目度）: 31.028202531810386
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Registration of multi-view point sets is a prerequisite for 3D model
reconstruction. To solve this problem, most of previous approaches either
partially explore available information or blindly utilize unnecessary
information to align each point set, which may lead to the undesired results or
introduce extra computation complexity. To this end, this paper consider the
multi-view registration problem as a maximum likelihood estimation problem and
proposes a novel multi-view registration approach under the perspective of
Expectation-Maximization (EM). The basic idea of our approach is that different
data points are generated by the same number of Gaussian mixture models (GMMs).
For each data point in one point set, its nearest neighbors can be searched
from other well-aligned point sets. Then, we can suppose this data point is
generated by the special GMM, which is composed of each nearest neighbor
adhered with one Gaussian distribution. Based on this assumption, it is
reasonable to define the likelihood function including all rigid
transformations, which requires to be estimated for multi-view registration.
Subsequently, the EM algorithm is utilized to maximize the likelihood function
so as to estimate all rigid transformations. Finally, the proposed approach is
tested on several bench mark data sets and compared with some state-of-the-art
algorithms. Experimental results illustrate its super performance on accuracy,
robustness and efficiency for the registration of multi-view point sets.
- Abstract（参考訳）: 多視点点集合の登録は、3次元モデル再構成の前提条件である。
この問題を解決するために、以前のアプローチのほとんどは、利用可能な情報を部分的に探索するか、各点集合を整列するために不必要な情報を盲目的に利用するか、あるいは余分な計算の複雑さをもたらす。
そこで本稿では,多視点登録問題を最大確率推定問題と考え,期待最大化(em)の観点から新しい多視点登録手法を提案する。
提案手法の基本的な考え方は,ガウス混合モデル(GMM)の同一個数で異なるデータポイントを生成することである。
1つの点集合内の各データ点について、その最寄りの近傍を他の整列した点集合から探索することができる。
すると、このデータポイントは1つのガウス分布に付着した各近傍からなる特別なGMMによって生成されると仮定できる。
この仮定に基づいて、多視点登録のために推定されるすべての剛変換を含む可能性関数を定義することは合理的である。
その後、EMアルゴリズムを用いて確率関数を最大化し、全ての剛性変換を推定する。
最後に、提案手法はいくつかのベンチマークデータセットでテストされ、最先端のアルゴリズムと比較される。
実験結果は,多視点点集合の登録における精度,堅牢性,効率性に関する超性能を示す。
関連論文リスト
- Achieving Long-term Fairness in Submodular Maximization through
Randomization [16.33001220320682]
人種や性別などのセンシティブな属性を含む可能性のあるデータアイテムを扱う場合、公平性を意識したアルゴリズムを実装することが重要です。
群フェアネス制約を満たしながら単調部分モジュラ函数を最大化する問題について検討する。
論文 参考訳（メタデータ） (2023-04-10T16:39:19Z) - Learning to Bound Counterfactual Inference in Structural Causal Models
from Observational and Randomised Data [64.96984404868411]
我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。
新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。
反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
論文 参考訳（メタデータ） (2022-12-06T12:42:11Z) - Robust Multi-view Registration of Point Sets with Laplacian Mixture
Model [25.865100974015412]
重み付きラプラシアン分布に基づいて複数の点集合を整列させる新しい確率的生成法を提案する。
本稿では,提案手法の利点を,ベンチマークの挑戦的データセットに対する最先端手法と比較することによって示す。
論文 参考訳（メタデータ） (2021-10-26T14:49:09Z) - Auto-weighted Multi-view Feature Selection with Graph Optimization [90.26124046530319]
グラフ学習に基づく新しい教師なしマルチビュー特徴選択モデルを提案する。
1) 特徴選択過程において, 異なる視点で共有されたコンセンサス類似度グラフが学習される。
各種データセットを用いた実験により,提案手法が最先端手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-04-11T03:25:25Z) - Finding Geometric Models by Clustering in the Consensus Space [61.65661010039768]
本稿では,未知数の幾何学的モデル,例えばホモグラフィーを求めるアルゴリズムを提案する。
複数の幾何モデルを用いることで精度が向上するアプリケーションをいくつか提示する。
これには、複数の一般化されたホモグラフからのポーズ推定、高速移動物体の軌道推定が含まれる。
論文 参考訳（メタデータ） (2021-03-25T14:35:07Z) - 3DMNDT:3D multi-view registration method based on the normal
distributions transform [23.427473819499145]
本稿では,正規分布変換(3DMNDT)に基づく3Dマルチビュー登録法を提案する。
提案手法はK平均クラスタリングとリー代数ソルバを統合し,マルチビュー登録を実現する。
ベンチマークデータセットで実験を行った結果,提案手法がマルチビュー登録の最先端性能を達成できることが判明した。
論文 参考訳（メタデータ） (2021-03-20T03:20:31Z) - Canny-VO: Visual Odometry with RGB-D Cameras based on Geometric 3D-2D
Edge Alignment [85.32080531133799]
本稿では,自由形式の曲線登録に関する古典的な問題をレビューし,効率的なrgbdビジュアルオドメトリシステムcanny-voに適用する。
エッジ登録でよく用いられる距離変換の代替として、近似近接近傍場と配向近接近傍場という2つの方法が提案されている。
3D2Dエッジアライメントは、効率性と精度の両方の観点から、これらの代替製剤の恩恵を受けます。
論文 参考訳（メタデータ） (2020-12-15T11:42:17Z) - Effective multi-view registration of point sets based on student's t
mixture model [15.441928157356477]
本稿では,学生のt混合モデル(StMM)に基づく効果的な登録手法を提案する。
NNサーチ法により全てのt分布セントロイドが得られるため、マルチビュー登録を実現するのがより効率的である。
実験結果は,最先端手法よりも優れた性能と精度を示す。
論文 参考訳（メタデータ） (2020-12-13T08:27:29Z) - Adaptive Sampling for Best Policy Identification in Markov Decision
Processes [79.4957965474334]
本稿では,学習者が生成モデルにアクセスできる場合の,割引マルコフ決定(MDP)における最良の政治的識別の問題について検討する。
最先端アルゴリズムの利点を論じ、解説する。
論文 参考訳（メタデータ） (2020-09-28T15:22:24Z) - Multi-Person Pose Estimation with Enhanced Feature Aggregation and
Selection [33.15192824888279]
複数人物のポーズ推定のためのEFASNet(Enhanced Feature Aggregation and Selection Network)を提案する。
我々の手法は、混み合った、散らばった、ぎこちないシーンをうまく扱える。
総合的な実験により、提案手法は最先端の手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2020-03-20T08:33:25Z) - Learning multiview 3D point cloud registration [74.39499501822682]
本稿では,エンドツーエンドで学習可能なマルチビュー3Dポイントクラウド登録アルゴリズムを提案する。
このアプローチは、エンドツーエンドのトレーニングが可能で、計算コストが小さく、最先端のマージンよりも優れています。
論文 参考訳（メタデータ） (2020-01-15T03:42:14Z)
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。