論文の概要: Fast Loop Closure Detection via Binary Content

• arxiv url: http://arxiv.org/abs/2002.10622v2
• Date: Mon, 8 Feb 2021 13:54:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-28 22:04:52.595868
• Title: Fast Loop Closure Detection via Binary Content
• Title（参考訳）: バイナリコンテンツによるループクロージャの高速検出
• Authors: Han Wang, Juncheng Li, Maopeng Ran and Lihua Xie
• Abstract要約: 本稿では,既存の高速ループ閉包検出手法をバイナリコンテンツを介して高速化するために,情報をバイナリ画像に活用・圧縮する。 提案手法は最先端のループクロージャ検出法と比較し, 従来手法よりも高速かつ高速に性能を向上することを示した。
• 参考スコア（独自算出の注目度）: 25.571788215801003
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Loop closure detection plays an important role in reducing localization drift in Simultaneous Localization And Mapping (SLAM). It aims to find repetitive scenes from historical data to reset localization. To tackle the loop closure problem, existing methods often leverage on the matching of visual features, which achieve good accuracy but require high computational resources. However, feature point based methods ignore the patterns of image, i.e., the shape of the objects as well as the distribution of objects in an image. It is believed that this information is usually unique for a scene and can be utilized to improve the performance of traditional loop closure detection methods. In this paper we leverage and compress the information into a binary image to accelerate an existing fast loop closure detection method via binary content. The proposed method can greatly reduce the computational cost without sacrificing recall rate. It consists of three parts: binary content construction, fast image retrieval and precise loop closure detection. No offline training is required. Our method is compared with the state-of-the-art loop closure detection methods and the results show that it outperforms the traditional methods at both recall rate and speed.
• Abstract（参考訳）: ループクロージャ検出は、同時局所化マッピング(SLAM)において、局所化ドリフトの低減に重要な役割を果たす。 歴史的データから繰り返しシーンを見つけ、位置をリセットすることを目的としている。 ループクロージャ問題に対処するため、既存の手法では、精度は高いが高い計算資源を必要とする視覚特徴のマッチングを利用することが多い。 しかし、特徴点に基づく手法は画像のパターン、すなわち物体の形状や画像内の物体の分布を無視している。 この情報は、通常シーンに特有のものであり、従来のループクロージャ検出手法の性能向上に利用することができると考えられている。 本稿では,その情報をバイナリ画像に圧縮して,既存の高速ループ閉鎖検出手法をバイナリコンテンツを介して高速化する。 提案手法は,リコール率を犠牲にすることなく計算コストを大幅に削減できる。 バイナリコンテンツ構築、高速画像検索、正確なループ閉鎖検出の3つの部分で構成されている。 オフライントレーニングは不要。 本手法は最先端ループのクロージャ検出手法と比較し,リコールレートと速度の両方において従来の手法よりも優れていることを示す。

関連論文リスト

• Appearance-Based Loop Closure Detection for Online Large-Scale and Long-Term Operation [1.1279808969568252]
  外見に基づくローカライゼーションとマッピングでは、ループクロージャ検出(ループクロージャ検出)は、現在の観測が以前に訪れた場所や新しい場所から来ている場合、その検出に使用されるプロセスである。 本稿では,大規模・長期運用におけるオンラインループ閉鎖検出手法を提案する。
  論文  参考訳（メタデータ） (2024-07-22T00:13:00Z)
• HashPoint: Accelerated Point Searching and Sampling for Neural Rendering [9.418401219498223]
  レンダリングとレイトレーシングの2つの典型的なアプローチが採用されている。 ボリューム化ベースの手法は、メモリの増大と忠実度低下を犠牲にしてリアルタイムレンダリングを可能にする。 対照的に、レイトレーシングに基づく手法は優れた品質を得るが、より長い時間を要求する。 我々はこの2つの戦略を組み合わせたHashPoint法によりこの問題を解決する。
  論文  参考訳（メタデータ） (2024-04-22T09:57:53Z)
• Graph-based Asynchronous Event Processing for Rapid Object Recognition [59.112755601918074]
  イベントカメラは、各イベントがピクセル位置、トリガ時間、明るさの極性が変化するような非同期イベントストリームをキャプチャする。 イベントカメラのための新しいグラフベースのフレームワーク、SlideGCNを紹介した。 当社のアプローチでは、データをイベント単位で効率的に処理し、内部でグラフの構造を維持しながら、イベントデータの低レイテンシ特性を解放することが可能です。
  論文  参考訳（メタデータ） (2023-08-28T08:59:57Z)
• Improving Online Lane Graph Extraction by Object-Lane Clustering [106.71926896061686]
  本稿では,局所レーングラフの推定精度を向上させるために,アーキテクチャと損失の定式化を提案する。 提案手法は,中心線をクラスタ中心とすることで,対象を中心線に割り当てることを学ぶ。 提案手法は既存の3次元オブジェクト検出手法の出力を用いて,大幅な性能向上を実現することができることを示す。
  論文  参考訳（メタデータ） (2023-07-20T15:21:28Z)
• Loop closure detection using local 3D deep descriptors [22.93552565583209]
  局所3次元深部記述子(L3D)を用いた同時局所化・マッピングにおけるループ閉鎖検出手法を提案する。 本稿では,互いにアレスト近傍の記述子に対応する点間の距離誤差を計算し,ループ検出のための新しい重なり測定手法を提案する。 この手法により,ループを正確に検出し,重なりが小さければ6自由度ポーズを推定できる。
  論文  参考訳（メタデータ） (2021-10-31T09:18:38Z)
• Beyond ANN: Exploiting Structural Knowledge for Efficient Place Recognition [8.121462458089143]
  オンラインで適用可能な効率的な位置認識のための新しい高速シーケンスベースの方法を提案する。 提案手法は,2つの最先端手法と,多くの場合,フル画像比較に優れる。
  論文  参考訳（メタデータ） (2021-03-15T13:10:57Z)
• Content-Based Detection of Temporal Metadata Manipulation [91.34308819261905]
  画像の撮像時間とその内容と地理的位置とが一致しているかどうかを検証するためのエンドツーエンドのアプローチを提案する。 中心となる考え方は、画像の内容、キャプチャ時間、地理的位置が一致する確率を予測するための教師付き一貫性検証の利用である。 我々のアプローチは、大規模なベンチマークデータセットの以前の作業により改善され、分類精度が59.03%から81.07%に向上した。
  論文  参考訳（メタデータ） (2021-03-08T13:16:19Z)
• FMODetect: Robust Detection and Trajectory Estimation of Fast Moving Objects [110.29738581961955]
  高速移動物体の検出と軌道推定のための最初の学習ベースアプローチを提案する。 提案手法は, 高速移動物体を軌道への切り離された距離関数として検出する。 シャープな外観推定のために,エネルギー最小化に基づくデブロワーリングを提案する。
  論文  参考訳（メタデータ） (2020-12-15T11:05:34Z)
• Displacement-Invariant Cost Computation for Efficient Stereo Matching [122.94051630000934]
  ディープラーニング手法は、前例のない不一致の精度を得ることによって、ステレオマッチングのリーダーボードを支配してきた。 しかし、その推測時間は一般的に540p画像の秒数で遅い。 本研究では,4次元特徴量を必要としないEmphdisplacement-invariant cost moduleを提案する。
  論文  参考訳（メタデータ） (2020-12-01T23:58:16Z)
• Fast and Incremental Loop Closure Detection with Deep Features and Proximity Graphs [13.328790865796224]
  本稿では、FILD++という名前の外観に基づくループクロージャ検出パイプラインを提案する。 システムは連続した画像によって供給され、単一の畳み込みニューラルネットワークを2回通すことで、大域的および局所的な深い特徴を抽出する。 画像と画像のペアリングは、局所的な特徴を利用して空間情報を評価する。
  論文  参考訳（メタデータ） (2020-09-29T02:42:47Z)
• Learning Condition Invariant Features for Retrieval-Based Localization from 1M Images [85.81073893916414]
  我々は、より正確で、より一般化されたローカライゼーション特徴を学習する新しい方法を開発した。 難易度の高いオックスフォード・ロボットカーの夜間条件では、5m以内の局所化精度でよく知られた三重項損失を24.4%上回っている。
  論文  参考訳（メタデータ） (2020-08-27T14:46:22Z)

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。