論文の概要: GMMLoc: Structure Consistent Visual Localization with Gaussian Mixture Models

• arxiv url: http://arxiv.org/abs/2006.13670v2
• Date: Mon, 5 Oct 2020 11:07:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-17 13:16:08.140328
• Title: GMMLoc: Structure Consistent Visual Localization with Gaussian Mixture Models
• Title（参考訳）: GMMLOC:ガウス混合モデルを用いた構造整合視覚像定位
• Authors: Huaiyang Huang, Haoyang Ye, Yuxiang Sun, Ming Liu
• Abstract要約: ガウス混合モデル(GMM)によりモデル化された先行マップにおけるカメラ追跡手法を提案する。 ポーズを最初にフロントエンドで推定すると、局所的な視覚観測とマップコンポーネントは効率的に関連付けられる。 計算オーバーヘッドの少ないセンチメートルレベルのローカライズ精度を実現する方法を示す。
• 参考スコア（独自算出の注目度）: 23.72910988500612
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Incorporating prior structure information into the visual state estimation could generally improve the localization performance. In this letter, we aim to address the paradox between accuracy and efficiency in coupling visual factors with structure constraints. To this end, we present a cross-modality method that tracks a camera in a prior map modelled by the Gaussian Mixture Model (GMM). With the pose estimated by the front-end initially, the local visual observations and map components are associated efficiently, and the visual structure from the triangulation is refined simultaneously. By introducing the hybrid structure factors into the joint optimization, the camera poses are bundle-adjusted with the local visual structure. By evaluating our complete system, namely GMMLoc, on the public dataset, we show how our system can provide a centimeter-level localization accuracy with only trivial computational overhead. In addition, the comparative studies with the state-of-the-art vision-dominant state estimators demonstrate the competitive performance of our method.
• Abstract（参考訳）: 視覚状態推定に事前構造情報を組み込むことで、局所化性能が向上する。 本稿では,視覚因子と構造制約の結合における精度と効率のパラドックスに対処することを目的とする。 そこで本研究では,Gaussian Mixture Model (GMM) によってモデル化された先行マップにおけるカメラ追跡を行う。 まず、正面から推定されるポーズにより、局所的な視覚観察と地図成分を効率的に関連付け、三角測量からの視覚構造を同時に洗練する。 ジョイント最適化にハイブリッド構造因子を導入することにより、カメラポーズは局所視覚構造とバンドル調整される。 公開データセット上での完全なシステム,すなわちGMMLocを評価することで,簡単な計算オーバーヘッドのみでセンチメートルレベルのローカライズ精度を提供できることを示す。 また,最先端の視覚優位状態推定器との比較研究により,本手法の競争力が示された。

関連論文リスト

• OSMLoc: Single Image-Based Visual Localization in OpenStreetMap with Geometric and Semantic Guidances [11.085165252259042]
  OSMLocは、脳にインスパイアされた単一画像の視覚的位置決め手法であり、精度、堅牢性、一般化能力を改善するための意味的および幾何学的ガイダンスを備えている。 提案したOSMLOCを検証するため,世界規模のクロスエリアとクロスコンディション(CC)のベンチマークを収集し,広範な評価を行う。
  論文  参考訳（メタデータ） (2024-11-13T14:59:00Z)
• Simultaneous Identification of Sparse Structures and Communities in Heterogeneous Graphical Models [8.54401530955314]
  基礎となるグラフィカルな構造を疎部分と低ランクの斜めブロックに分解する。 スパース構造とコミュニティの同定のための高速かつ効率的なアルゴリズムを用いた3段階推定手法を提案する。
  論文  参考訳（メタデータ） (2024-05-16T06:38:28Z)
• Efficient Multi-View Graph Clustering with Local and Global Structure Preservation [59.49018175496533]
  局所・グローバル構造保存を用いた効率的なマルチビューグラフクラスタリング(EMVGC-LG)という,アンカーベースのマルチビューグラフクラスタリングフレームワークを提案する。 具体的には、EMVGC-LGがクラスタリング品質を向上させるために、アンカー構築とグラフ学習を共同で最適化する。 さらに、EMVGC-LGはサンプル数に関する既存のAMVGCメソッドの線形複雑性を継承する。
  論文  参考訳（メタデータ） (2023-08-31T12:12:30Z)
• Adaptive Local-Component-aware Graph Convolutional Network for One-shot Skeleton-based Action Recognition [54.23513799338309]
  骨格に基づく行動認識のための適応的局所成分認識グラフ畳み込みネットワークを提案する。 我々の手法はグローバルな埋め込みよりも強力な表現を提供し、我々のモデルが最先端に到達するのに役立ちます。
  論文  参考訳（メタデータ） (2022-09-21T02:33:07Z)
• A Model for Multi-View Residual Covariances based on Perspective Deformation [88.21738020902411]
  マルチビューSfM, オードメトリ, SLAMセットアップにおける視覚的残差の共分散モデルの導出を行う。 我々は、合成データと実データを用いてモデルを検証し、それを光度および特徴量に基づくバンドル調整に統合する。
  論文  参考訳（メタデータ） (2022-02-01T21:21:56Z)
• Tight-Integration of Feature-Based Relocalization in Monocular Direct Visual Odometry [49.89611704653707]
  本稿では,地図に基づく再局在化をオンラインビジュアル・オドメトリーに統合するためのフレームワークを提案する。 我々は画像特徴をDSO(Direct Sparse Odometry)に統合し、オンライン視覚計測と以前に構築された地図を関連付ける機能マッチングに依存する。
  論文  参考訳（メタデータ） (2021-02-01T21:41:05Z)
• Geometric Structure Aided Visual Inertial Localization [24.42071242531681]
  計算コストを削減し、位置決め精度を高めるために、ハイブリッドマップ表現に基づく完全な視覚的位置決めシステムを提案する。 バッチ最適化では、視覚的要因を使わずに、インスタントローカライゼーション結果に先立ってポーズを推定するモジュールを開発する。 EuRoC MAVデータセットの実験結果は、芸術の状況と比較して、競争力のある性能を示している。
  論文  参考訳（メタデータ） (2020-11-09T03:48:39Z)
• Out-of-distribution Generalization via Partial Feature Decorrelation [72.96261704851683]
  本稿では,特徴分解ネットワークと対象画像分類モデルとを協調的に最適化する,PFDL(Partial Feature Deorrelation Learning)アルゴリズムを提案する。 実世界のデータセットを用いた実験により,OOD画像分類データセットにおけるバックボーンモデルの精度が向上することを示した。
  論文  参考訳（メタデータ） (2020-07-30T05:48:48Z)
• Image Matching across Wide Baselines: From Paper to Practice [80.9424750998559]
  局所的な特徴とロバストな推定アルゴリズムの包括的なベンチマークを導入する。 パイプラインのモジュール構造は、さまざまなメソッドの容易な統合、構成、組み合わせを可能にします。 適切な設定で、古典的な解決策は依然として芸術の知覚された状態を上回る可能性があることを示す。
  論文  参考訳（メタデータ） (2020-03-03T15:20:57Z)

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。