Fugu-MT 論文翻訳(概要): PIC-Net: Point Cloud and Image Collaboration Network for Large-Scale Place Recognition

論文の概要: PIC-Net: Point Cloud and Image Collaboration Network for Large-Scale Place Recognition

arxiv url: http://arxiv.org/abs/2008.00658v1
Date: Mon, 3 Aug 2020 05:58:00 GMT
ステータス: 処理完了
システム内更新日: 2022-11-03 06:34:01.931097
Title: PIC-Net: Point Cloud and Image Collaboration Network for Large-Scale Place Recognition
Title（参考訳）: PIC-Net:大規模位置認識のためのポイントクラウドと画像協調ネットワーク
Authors: Yuheng Lu, Fan Yang, Fangping Chen, Don Xie
Abstract要約: PIC-Net(Point cloud and Image Collaboration Network)を提案する。夜間の認識性能を向上させるため,夜間の映像を昼間のスタイルに変換する。
参考スコア（独自算出の注目度）: 6.840923090996897
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Place recognition is one of the hot research fields in automation technology and is still an open issue, Camera and Lidar are two mainstream sensors used in this task, Camera-based methods are easily affected by illumination and season changes, LIDAR cannot get the rich data as the image could , In this paper, we propose the PIC-Net (Point cloud and Image Collaboration Network), which use attention mechanism to fuse the features of image and point cloud, and mine the complementary information between the two. Furthermore, in order to improve the recognition performance at night, we transform the night image into the daytime style. Comparison results show that the collaboration of image and point cloud outperform both image-based and point cloud-based method, the attention strategy and day-night-transform could further improve the performance.
Abstract（参考訳）: Place recognition is one of the hot research fields in automation technology and is still an open issue, Camera and Lidar are two mainstream sensors used in this task, Camera-based methods are easily affected by illumination and season changes, LIDAR cannot get the rich data as the image could , In this paper, we propose the PIC-Net (Point cloud and Image Collaboration Network), which use attention mechanism to fuse the features of image and point cloud, and mine the complementary information between the two. さらに,夜間の認識性能を向上させるため,夜間のイメージを昼間のスタイルに変換する。比較の結果,イメージとポイントクラウドの協調は,イメージベースとポイントクラウドベースの手法,注意戦略と昼夜変換によってパフォーマンスがさらに向上する可能性が示唆された。

関連論文リスト

HVDistill: Transferring Knowledge from Images to Point Clouds via Unsupervised Hybrid-View Distillation [106.09886920774002]
本稿では,HVDistillと呼ばれるハイブリッドビューに基づく知識蒸留フレームワークを提案する。提案手法は,スクラッチからトレーニングしたベースラインに対して一貫した改善を実現し,既存のスキームを大幅に上回っている。
論文参考訳（メタデータ） (2024-03-18T14:18:08Z)
Beyond Night Visibility: Adaptive Multi-Scale Fusion of Infrared and Visible Images [49.75771095302775]
赤外線および可視画像を用いた適応型マルチスケール核融合ネットワーク(AMFusion)を提案する。まず、赤外画像と可視画像から空間的特徴と意味的特徴を分離し、前者が光分布の調整に使用される。第2に,事前学習したバックボーンから抽出した検出機能を利用して,意味的特徴の融合を誘導する。第3に、通常の光強度で融合画像を制約する新しい照明損失を提案する。
論文参考訳（メタデータ） (2024-03-02T03:52:07Z)
NiteDR: Nighttime Image De-Raining with Cross-View Sensor Cooperative Learning for Dynamic Driving Scenes [49.92839157944134]
夜間の運転シーンでは、不十分で不均一な照明が暗闇の中でシーンを遮蔽し、画質と可視性が低下する。雨天時の運転シーンに適した画像デライニング・フレームワークを開発した。雨の人工物を取り除き、風景表現を豊かにし、有用な情報を復元することを目的としている。
論文参考訳（メタデータ） (2024-02-28T09:02:33Z)
Point2Pix: Photo-Realistic Point Cloud Rendering via Neural Radiance Fields [63.21420081888606]
最近の放射場と拡張法は、2次元入力から現実的な画像を合成するために提案されている。我々は3次元スパース点雲と2次元高密度画像画素を結びつけるための新しい点としてPoint2Pixを提示する。
論文参考訳（メタデータ） (2023-03-29T06:26:55Z)
Ponder: Point Cloud Pre-training via Neural Rendering [93.34522605321514]
本稿では,識別可能なニューラルエンコーダによる点雲表現の自己教師型学習手法を提案する。学習したポイントクラウドは、3D検出やセグメンテーションといったハイレベルなレンダリングタスクだけでなく、3D再構成や画像レンダリングといった低レベルなタスクを含む、さまざまなダウンストリームタスクに簡単に統合できる。
論文参考訳（メタデータ） (2022-12-31T08:58:39Z)
City-scale Scene Change Detection using Point Clouds [71.73273007900717]
2つの異なる時間にカメラを設置して撮影した画像を用いて都市の構造変化を検出する手法を提案する。変化検出のための2点雲の直接比較は、不正確な位置情報のため理想的ではない。この問題を回避するために,ポイントクラウド上での深層学習に基づく非厳密な登録を提案する。提案手法は,視点や照明の違いがあっても,シーン変化を効果的に検出できることを示す。
論文参考訳（メタデータ） (2021-03-26T08:04:13Z)
Unsupervised Monocular Depth Estimation for Night-time Images using Adversarial Domain Feature Adaptation [17.067988025947024]
我々は、制約のないRGB単眼の夜間画像から画素ごとの深度マップを推定する問題を考察する。夜間画像でテストした場合、最先端の昼時間深度推定法は不幸にも失敗する。そこで本稿では,昼夜画像で訓練されたネットワークを夜間画像に適応させるドメイン適応問題として取り上げ,この問題を解決することを提案する。
論文参考訳（メタデータ） (2020-10-03T17:55:16Z)
AWNet: Attentive Wavelet Network for Image ISP [14.58067200317891]
本稿では,この学習可能な画像ISP問題に対処するために,AWNetと呼ばれるアテンション機構とウェーブレット変換を利用する新しいネットワークを提案する。提案手法により,RAW情報から好意的な画像の詳細を復元し,より広い受容領域を実現することができる。実験結果から,定性的,定量的両測定における設計の進歩が示唆された。
論文参考訳（メタデータ） (2020-08-20T23:28:41Z)
Single Image Cloud Detection via Multi-Image Fusion [23.641624507709274]
アルゴリズム開発における主な課題は、注釈付きトレーニングデータを集めるコストである。マルチイメージフュージョンの最近の進歩が、シングルイメージクラウド検出のブートストラップにどのように活用できるかを実証する。我々は、ランドカバー用のピクセルごとのセマンティックラベリングとともに、Sentinel-2画像の大規模なデータセットを収集した。
論文参考訳（メタデータ） (2020-07-29T22:52:28Z)
A Deep Learning-based Radar and Camera Sensor Fusion Architecture for Object Detection [0.0]
本研究の目的は,現在の2次元物体検出ネットワークを,カメラデータとスパースレーダデータをネットワーク層内に投影することによって拡張することである。提案するCameraRadarFusionNet(CRF-Net)は,センサデータの融合が検出結果に最も有用であるレベルを自動的に学習する。 Dropoutにインスパイアされたトレーニング戦略であるBlackInは、特定のセンサータイプに関する学習に焦点を当てている。
論文参考訳（メタデータ） (2020-05-15T09:28:01Z)

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。