論文の概要: 3D Correspondence Grouping with Compatibility Features

• arxiv url: http://arxiv.org/abs/2007.10570v1
• Date: Tue, 21 Jul 2020 02:39:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-08 04:47:21.260281
• Title: 3D Correspondence Grouping with Compatibility Features
• Title（参考訳）: 互換性を考慮した3次元対応グルーピング
• Authors: Jiaqi Yang and Jiahao Chen and Zhiqiang Huang and Siwen Quan and Yanning Zhang and Zhiguo Cao
• Abstract要約: 本稿では,3次元対応グルーピングのための簡易かつ効果的な手法を提案する。 目的は、局所幾何学的記述子を不整合と外接点にマッチングすることによって得られる初期対応を正確に分類することである。 本稿では,不整合と不整合を表わすために,互換性特徴(CF)と呼ばれる3次元対応の表現を提案する。
• 参考スコア（独自算出の注目度）: 51.869670613445685
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a simple yet effective method for 3D correspondence grouping. The objective is to accurately classify initial correspondences obtained by matching local geometric descriptors into inliers and outliers. Although the spatial distribution of correspondences is irregular, inliers are expected to be geometrically compatible with each other. Based on such observation, we propose a novel representation for 3D correspondences, dubbed compatibility feature (CF), to describe the consistencies within inliers and inconsistencies within outliers. CF consists of top-ranked compatibility scores of a candidate to other correspondences, which purely relies on robust and rotation-invariant geometric constraints. We then formulate the grouping problem as a classification problem for CF features, which is accomplished via a simple multilayer perceptron (MLP) network. Comparisons with nine state-of-the-art methods on four benchmarks demonstrate that: 1) CF is distinctive, robust, and rotation-invariant; 2) our CF-based method achieves the best overall performance and holds good generalization ability.
• Abstract（参考訳）: 本稿では,3次元対応グルーピングのための簡易かつ効果的な手法を提案する。 その目的は、局所幾何学的記述子をインリアーとアウトリアーにマッチングして得られる初期対応を精度良く分類することである。 対応の空間分布は不規則であるが、不整合は幾何学的に相容れないことが期待されている。 このような観測に基づいて,不整合と不整合を表わすために,互換性特徴(CF)と呼ばれる3次元対応の新たな表現を提案する。 CFは、他の対応に対する候補の上位互換性スコアで構成されており、これは純粋にロバストで回転不変な幾何学的制約に依存している。 次に、単純な多層パーセプトロン(MLP)ネットワークによって達成されるCF特徴の分類問題としてグループ化問題を定式化する。 4つのベンチマークにおいて,9つの最先端手法との比較を行った。 1)CFは独特で、頑丈で、回転不変である。 2)本手法は, 最良性能を達成し, 優れた一般化能力を有する。

関連論文リスト

• Rethinking Few-shot 3D Point Cloud Semantic Segmentation [62.80639841429669]
  本稿では,FS-PCSによる3Dポイント・クラウドセマンティックセマンティックセグメンテーションについて再検討する。 我々は、最先端の2つの重要な問題、前景の漏洩とスパースポイントの分布に焦点をあてる。 これらの問題に対処するために、新しいベンチマークを構築するための標準化されたFS-PCS設定を導入する。
  論文  参考訳（メタデータ） (2024-03-01T15:14:47Z)
• Fast Discrete Optimisation for Geometrically Consistent 3D Shape Matching [35.292601017922905]
  本稿では,3次元形状マッチングにおける学習ベースとフォーマリズムの利点を組み合わせることを提案する。 我々のアプローチは (i) 準ニュートンでフリーな初期化であり、 (ii) 大規模並列化可能であり、 (iii) 最適性ギャップを提供する。
  論文  参考訳（メタデータ） (2023-10-12T11:23:07Z)
• Fast, Expressive SE$(n)$ Equivariant Networks through Weight-Sharing in Position-Orientation Space [15.495593104596399]
  我々は,畳み込みネットワークにおける重み共有の概念を,ポイントペア上でのメッセージ関数の共有として定式化する。 我々は3次元点雲処理のための効率的な同変群畳み込みネットワークを開発した。
  論文  参考訳（メタデータ） (2023-10-04T17:06:32Z)
• A2B: Anchor to Barycentric Coordinate for Robust Correspondence [25.719939636977934]
  偏心座標のような幾何学的不変な座標表現は特徴間のミスマッチを著しく低減できることを示す。 本稿では,ペア画像から複数のアフィン-不変対応座標を生成する新しいアンカー-バリー中心(A2B)座標符号化手法であるDECREEを紹介する。
  論文  参考訳（メタデータ） (2023-06-05T10:28:53Z)
• A Scalable Combinatorial Solver for Elastic Geometrically Consistent 3D Shape Matching [69.14632473279651]
  本稿では,3次元形状間の幾何学的一貫したマッピング空間をグローバルに最適化するスケーラブルなアルゴリズムを提案する。 従来の解法よりも数桁高速なラグランジュ双対問題と結合した新しい原始問題を提案する。
  論文  参考訳（メタデータ） (2022-04-27T09:47:47Z)
• Relative Pose from SIFT Features [50.81749304115036]
  基本行列の未知元と向きとスケールに関する新しい線形制約を導出する。 提案した制約は、合成環境における多くの問題と、80000以上の画像ペア上で公開されている実世界のデータセットでテストされる。
  論文  参考訳（メタデータ） (2022-03-15T14:16:39Z)
• Multiway Non-rigid Point Cloud Registration via Learned Functional Map Synchronization [105.14877281665011]
  我々は、点雲上に定義された学習関数に関する地図を同期させることにより、複数の非剛体形状を登録する新しい方法であるSyNoRiMを提案する。 提案手法は,登録精度において最先端の性能を達成できることを実証する。
  論文  参考訳（メタデータ） (2021-11-25T02:37:59Z)
• Random extrapolation for primal-dual coordinate descent [61.55967255151027]
  本稿では,データ行列の疎度と目的関数の好適な構造に適応する,ランダムに外挿した原始-双対座標降下法を提案する。 一般凸凹の場合, 主対差と目的値に対するシーケンスのほぼ確実に収束と最適サブ線形収束率を示す。
  論文  参考訳（メタデータ） (2020-07-13T17:39:35Z)
• Reciprocal Adversarial Learning via Characteristic Functions [12.961770002117142]
  GAN(Generative Adversarial Nets)は、複雑な分散を伴うタスクに好まれるツールである。 特徴関数(CF)を用いて分布を時間ではなく時間的に比較する方法を示す。 次に、逆数が存在する場合の埋め込み領域とデータ領域の等価性を証明し、自動エンコーダ構造で自然にGANを開発する。 この効率的な構造は、単純なトレーニング戦略とともに2つのモジュールのみを使用して、双方向で鮮明な画像を生成する。
  論文  参考訳（メタデータ） (2020-06-15T14:04:55Z)

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。