論文の概要: DeepCLR: Correspondence-Less Architecture for Deep End-to-End Point Cloud Registration

• arxiv url: http://arxiv.org/abs/2007.11255v2
• Date: Wed, 13 Jan 2021 10:04:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-07 22:47:04.110624
• Title: DeepCLR: Correspondence-Less Architecture for Deep End-to-End Point Cloud Registration
• Title（参考訳）: DeepCLR: エンドツーエンドのクラウド登録のための対応レスアーキテクチャ
• Authors: Markus Horn, Nico Engel, Vasileios Belagiannis, Michael Buchholz and Klaus Dietmayer
• Abstract要約: この研究は、ディープニューラルネットワークを用いたポイントクラウド登録の問題に対処する。 重なり合うデータ内容を持つ2つの点雲間のアライメントを予測する手法を提案する。 提案手法は,最先端の精度と比較手法の最低実行時間を実現する。
• 参考スコア（独自算出の注目度）: 12.471564670462344
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work addresses the problem of point cloud registration using deep neural networks. We propose an approach to predict the alignment between two point clouds with overlapping data content, but displaced origins. Such point clouds originate, for example, from consecutive measurements of a LiDAR mounted on a moving platform. The main difficulty in deep registration of raw point clouds is the fusion of template and source point cloud. Our proposed architecture applies flow embedding to tackle this problem, which generates features that describe the motion of each template point. These features are then used to predict the alignment in an end-to-end fashion without extracting explicit point correspondences between both input clouds. We rely on the KITTI odometry and ModelNet40 datasets for evaluating our method on various point distributions. Our approach achieves state-of-the-art accuracy and the lowest run-time of the compared methods.
• Abstract（参考訳）: 本研究は,ディープニューラルネットワークを用いたポイントクラウド登録の問題に対処する。 重なり合ったデータ内容を持つ2つの点雲間のアライメントを予測する手法を提案する。 このような点雲は、例えば、移動プラットフォームに搭載されたLiDARの連続的な測定から生じる。 生のポイントクラウドの深い登録の難しさは、テンプレートとソース・ポイント・クラウドの融合である。 提案アーキテクチャはフロー埋め込みを用いてこの問題に対処し,各テンプレート点の運動を記述する特徴を生成する。 これらの特徴は、両方の入力雲間の明確な点対応を抽出することなく、エンドツーエンドでアライメントを予測するために使用される。 我々は,KITTI odometry と ModelNet40 のデータセットを用いて,各点分布の手法を評価する。 本手法は,最新の精度と比較手法の最小実行時間を実現する。

関連論文リスト

• Mahalanobis k-NN: A Statistical Lens for Robust Point-Cloud Registrations [6.5252909392002785]
  マハラノビスk-NN(Mahalanobis k-NN)は、学習ベースのポイントクラウド登録における特徴マッチングの課題に対処するために設計された統計レンズである。 本手法は任意の局所グラフベースの点雲解析手法にシームレスに統合できる。 私たちは、ポイントクラウドの登録によって得られた機能が本質的に差別的能力を持つことができることを、初めて確立しました。
  論文  参考訳（メタデータ） (2024-09-10T07:12:18Z)
• P2P-Bridge: Diffusion Bridges for 3D Point Cloud Denoising [81.92854168911704]
  私たちは、Diffusion Schr"odingerブリッジをポイントクラウドに適応させる新しいフレームワークを通じて、ポイントクラウドを飾るタスクに取り組みます。 オブジェクトデータセットの実験では、P2P-Bridgeは既存のメソッドよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2024-08-29T08:00:07Z)
• PointRegGPT: Boosting 3D Point Cloud Registration using Generative Point-Cloud Pairs for Training [90.06520673092702]
  生成点クラウドペアを用いた3Dポイントクラウドの登録をトレーニングのために促進するPointRegGPTを提案する。 我々の知る限り、これは屋内のクラウド登録のためのリアルなデータ生成を探求する最初の生成的アプローチである。
  論文  参考訳（メタデータ） (2024-07-19T06:29:57Z)
• Point Cloud Pre-training with Diffusion Models [62.12279263217138]
  我々は、ポイントクラウド拡散事前学習(PointDif)と呼ばれる新しい事前学習手法を提案する。 PointDifは、分類、セグメンテーション、検出など、さまざまな下流タスクのために、さまざまな現実世界のデータセット間で大幅に改善されている。
  論文  参考訳（メタデータ） (2023-11-25T08:10:05Z)
• HybridFusion: LiDAR and Vision Cross-Source Point Cloud Fusion [15.94976936555104]
  我々はHybridFusionと呼ばれるクロスソース点雲融合アルゴリズムを提案する。 アウトドアの大きなシーンでは、異なる視角から、ソース間の密集点雲を登録することができる。 提案手法は,定性的,定量的な実験を通じて総合的に評価される。
  論文  参考訳（メタデータ） (2023-04-10T10:54:54Z)
• PointCaM: Cut-and-Mix for Open-Set Point Cloud Learning [72.07350827773442]
  我々は,新しいポイントカット・アンド・ミクス機構を用いて,オープンセットのクラウド学習を解決することを提案する。 トレーニング段階では,Unknown-Point Simulatorを用いてアウト・オブ・ディストリビューションデータをシミュレートする。 Unknown-Point Estimatorモジュールは、既知のデータを識別するために、ポイントクラウドの機能コンテキストを活用することを学ぶ。
  論文  参考訳（メタデータ） (2022-12-05T03:53:51Z)
• PointAttN: You Only Need Attention for Point Cloud Completion [89.88766317412052]
  ポイント・クラウド・コンプリート(Point cloud completion)とは、部分的な3次元ポイント・クラウドから3次元の形状を完成させることである。 そこで我々は,kNNを除去するために,ポイントクラウドをポイント単位に処理する新しいニューラルネットワークを提案する。 提案するフレームワークであるPointAttNはシンプルで簡潔で効果的であり、3次元形状の構造情報を正確に捉えることができる。
  論文  参考訳（メタデータ） (2022-03-16T09:20:01Z)
• Point Cloud based Hierarchical Deep Odometry Estimation [3.058685580689605]
  点群データを用いた運転シナリオにおけるオドメトリ推定を学習する深層モデルを提案する。 提案モデルでは,フレーム対フレームのオドメトリ推定のために生の点雲を消費する。
  論文  参考訳（メタデータ） (2021-03-05T00:17:58Z)
• End-to-End 3D Point Cloud Learning for Registration Task Using Virtual Correspondences [17.70819292121181]
  3Dポイントのクラウド登録は、2つのポイントのクラウド間の厳密な変換を見つけるのが難しいため、依然として非常に難しいトピックである。 本稿では,ポイントクラウド登録問題を解決するために,エンドツーエンドのディープラーニングに基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2020-11-30T06:55:05Z)
• Refinement of Predicted Missing Parts Enhance Point Cloud Completion [62.997667081978825]
  点雲完了は、部分的な観測から3次元形状の点集合表現を用いて完全な幾何学を予測するタスクである。 従来のアプローチでは、不完全点集合によって供給されるエンコーダ・デコーダモデルにより、点雲全体を直接推定するニューラルネットワークが提案されていた。 本稿では、欠落した幾何を計算し、既知の入力と予測点クラウドを融合することに焦点を当てたエンドツーエンドニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-10-08T22:01:23Z)

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。