論文の概要: DH3D: Deep Hierarchical 3D Descriptors for Robust Large-Scale 6DoF Relocalization

• arxiv url: http://arxiv.org/abs/2007.09217v1
• Date: Fri, 17 Jul 2020 20:21:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-09 14:23:42.555384
• Title: DH3D: Deep Hierarchical 3D Descriptors for Robust Large-Scale 6DoF Relocalization
• Title（参考訳）: DH3D:ロバストな大規模6DoF再局在のための階層型3D記述子
• Authors: Juan Du, Rui Wang, Daniel Cremers
• Abstract要約: 生の3D点から直接3次元特徴の検出と記述を共同で学習するシームズネットワークを提案する。 3次元キーポイントを検出するために,局所的な記述子の識別性を教師なしで予測する。 各種ベンチマーク実験により,本手法はグローバルポイントクラウド検索とローカルポイントクラウド登録の両面で競合する結果が得られた。
• 参考スコア（独自算出の注目度）: 56.15308829924527
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: For relocalization in large-scale point clouds, we propose the first approach that unifies global place recognition and local 6DoF pose refinement. To this end, we design a Siamese network that jointly learns 3D local feature detection and description directly from raw 3D points. It integrates FlexConv and Squeeze-and-Excitation (SE) to assure that the learned local descriptor captures multi-level geometric information and channel-wise relations. For detecting 3D keypoints we predict the discriminativeness of the local descriptors in an unsupervised manner. We generate the global descriptor by directly aggregating the learned local descriptors with an effective attention mechanism. In this way, local and global 3D descriptors are inferred in one single forward pass. Experiments on various benchmarks demonstrate that our method achieves competitive results for both global point cloud retrieval and local point cloud registration in comparison to state-of-the-art approaches. To validate the generalizability and robustness of our 3D keypoints, we demonstrate that our method also performs favorably without fine-tuning on the registration of point clouds that were generated by a visual SLAM system. Code and related materials are available at https://vision.in.tum.de/research/vslam/dh3d.
• Abstract（参考訳）: 大規模クラウドにおける再ローカライズのために,グローバルな位置認識と6DoFの局所化を両立させるアプローチを提案する。 そこで我々は,生の3次元点から直接3次元特徴の検出と記述を共同で学習するSiameseネットワークを設計した。 FlexConvとSqueeze-and-Excitation (SE)を統合し、学習したローカルディスクリプタがマルチレベル幾何学情報とチャネルワイド関係をキャプチャすることを保証する。 3次元キーポイントの検出には,局所ディスクリプタの識別性を教師なしで予測する。 学習したローカル記述子を直接アグリゲートすることで,グローバル記述子を生成する。 このように、ローカルおよびグローバルな3Dディスクリプタは、1つのフォワードパスで推論される。 各種ベンチマーク実験により,本手法は,最先端のアプローチと比較して,グローバルポイントクラウド検索とローカルポイントクラウド登録の両面での競合的な結果が得られることを示した。 3Dキーポイントの一般化性とロバスト性を検証するため,視覚的SLAMシステムにより生成された点雲の登録を微調整することなく,本手法が良好に動作することを示した。 コードと関連する資料はhttps://vision.in.tum.de/research/vslam/dh3dで入手できる。

関連論文リスト

• OpenGaussian: Towards Point-Level 3D Gaussian-based Open Vocabulary Understanding [54.981605111365056]
  本稿では,3次元点レベルの開語彙理解が可能な3次元ガウススティング(3DGS)に基づくOpenGaussianを紹介する。 我々の主な動機は、既存の3DGSベースのオープン語彙法が主に2Dピクセルレベルの解析に焦点を当てていることに起因している。
  論文  参考訳（メタデータ） (2024-06-04T07:42:33Z)
• Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud Analysis [66.49788145564004]
  我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。 我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
  論文  参考訳（メタデータ） (2022-12-17T15:05:25Z)
• CAGroup3D: Class-Aware Grouping for 3D Object Detection on Point Clouds [55.44204039410225]
  本稿では,CAGroup3Dという新しい2段階完全スパース3Dオブジェクト検出フレームワークを提案する。 提案手法は,まず,オブジェクト表面のボクセル上でのクラス認識型局所群戦略を活用することによって,高品質な3D提案を生成する。 不正なボクセルワイドセグメンテーションにより欠落したボクセルの特徴を回復するために,完全にスパースな畳み込み型RoIプールモジュールを構築した。
  論文  参考訳（メタデータ） (2022-10-09T13:38:48Z)
• EgoNN: Egocentric Neural Network for Point Cloud Based 6DoF Relocalization at the City Scale [15.662820454886202]
  回転する3次元LiDARにより得られる点雲からグローバルおよび局所記述子を抽出するためのディープニューラルネットワークに基づく手法を提案する。 本手法は, スパースボキセル化表現に基づく, 単純で完全な畳み込み構造を有する。 私たちのコードと事前訓練されたモデルはプロジェクトのWebサイトで公開されています。
  論文  参考訳（メタデータ） (2021-10-24T16:46:57Z)
• UPDesc: Unsupervised Point Descriptor Learning for Robust Registration [54.95201961399334]
  UPDescは、ロバストポイントクラウド登録のためのポイント記述子を学習するための教師なしの方法である。 学習した記述子は既存の教師なし手法よりも優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2021-08-05T17:11:08Z)
• MinkLoc3D: Point Cloud Based Large-Scale Place Recognition [1.116812194101501]
  本稿では,位置認識のための識別型3Dポイントクラウド記述子を学習ベースで計算する手法を提案する。 我々は,分別的な3Dポイントクラウド記述子であるMinkLoc3Dを,分別的な3Dポイントクラウド表現と分別な3Dコンボリューションに基づいて提案する。
  論文  参考訳（メタデータ） (2020-11-09T16:11:52Z)
• Distinctive 3D local deep descriptors [2.512827436728378]
  ポイントクラウドパッチは抽出され、推定されたローカル参照フレームに対して正準化され、PointNetベースのディープニューラルネットワークによって符号化される。 我々は、異なるセンサを用いて再構成された点雲からなる複数のデータセットにおいて、DIPを、別の手作り、ディープディスクリプタと比較し、比較した。
  論文  参考訳（メタデータ） (2020-09-01T06:25:06Z)
• D3Feat: Joint Learning of Dense Detection and Description of 3D Local Features [51.04841465193678]
  私たちは3Dポイントクラウドに3D完全畳み込みネットワークを活用しています。 本稿では,3次元点ごとに検出スコアと記述特徴の両方を密に予測する,新しい,実践的な学習機構を提案する。 本手法は,屋内と屋外の両方のシナリオで最先端の手法を実現する。
  論文  参考訳（メタデータ） (2020-03-06T12:51:09Z)

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。