論文の概要: Best Buddies Registration for Point Clouds

• arxiv url: http://arxiv.org/abs/2010.01912v1
• Date: Mon, 5 Oct 2020 10:49:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-10 22:00:32.179551
• Title: Best Buddies Registration for Point Clouds
• Title（参考訳）: ポイントクラウドのためのベストバッディ登録
• Authors: Amnon Drory, Tal Shomer, Shai Avidan and Raja Giryes
• Abstract要約: ロス関数は、2つの点集合間の互いに近接する隣人の数を数えるBest Buddies similarity(英語版)測度から着想を得ている。 我々はBBR(Best Buddy Registration)と呼ばれるいくつかのアルゴリズムを提示し、各アルゴリズムは、Adam勾配降下による損失関数の1つを最適化する。 合成と実の両方の様々なデータセットの実験は、BBRアルゴリズムの有効性を実証している。
• 参考スコア（独自算出の注目度）: 46.48442376651696
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose new, and robust, loss functions for the point cloud registration problem. Our loss functions are inspired by the Best Buddies Similarity (BBS) measure that counts the number of mutual nearest neighbors between two point sets. This measure has been shown to be robust to outliers and missing data in the case of template matching for images. We present several algorithms, collectively named Best Buddy Registration (BBR), where each algorithm consists of optimizing one of these loss functions with Adam gradient descent. The loss functions differ in several ways, including the distance function used (point-to-point vs. point-to-plane), and how the BBS measure is combined with the actual distances between pairs of points. Experiments on various data sets, both synthetic and real, demonstrate the effectiveness of the BBR algorithms, showing that they are quite robust to noise, outliers, and distractors, and cope well with extremely sparse point clouds. One variant, BBR-F, achieves state-of-the-art accuracy in the registration of automotive lidar scans taken up to several seconds apart, from the KITTI and Apollo-Southbay datasets.
• Abstract（参考訳）: 本稿では,ポイントクラウド登録問題に対する新しいロバストな損失関数を提案する。 我々の損失関数は、2つの点集合間の互いに近接する隣人の数を数えるBest Buddies similarity (BBS)測度に着想を得ている。 この尺度は、画像のテンプレートマッチングの場合、外れ値や欠落データに対して堅牢であることが示されている。 我々はBBR(Best Buddy Registration)と呼ばれるいくつかのアルゴリズムを提示し、各アルゴリズムは、Adam勾配降下による損失関数の1つを最適化する。 損失関数は、使用する距離関数(点対点対平面)やbbs測度が実際の点対距離とどのように結合するかなど、いくつかの点で異なる。 合成と実の両方で様々なデータセットの実験は、BBRアルゴリズムの有効性を実証し、ノイズ、外れ値、イントラクタにかなり頑健であり、非常に希少な点雲にうまく対応していることを示した。 1つの変種であるbbr-fはkittiとapollo-southbayデータセットから数秒間離れた自動車のlidarスキャンの登録において最先端の精度を達成している。

関連論文リスト

• Inferring Neural Signed Distance Functions by Overfitting on Single Noisy Point Clouds through Finetuning Data-Driven based Priors [53.6277160912059]
  本稿では,データ駆動型およびオーバーフィット型手法のプロースを推進し,より一般化し,高速な推論を行い,より高精度なニューラルネットワークSDFを学習する手法を提案する。 そこで本研究では,距離管理やクリーンポイントクラウド,あるいは点正規化を伴わずに,データ駆動型プリエントを微調整できる新しい統計的推論アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-25T16:48:44Z)
• Multiway Point Cloud Mosaicking with Diffusion and Global Optimization [74.3802812773891]
  マルチウェイポイントクラウドモザイクのための新しいフレームワーク(水曜日)を紹介する。 我々のアプローチの核心は、重複を識別し、注意点を洗練する学習されたペアワイズ登録アルゴリズムODINである。 4つの多種多様な大規模データセットを用いて、我々の手法は、全てのベンチマークにおいて大きなマージンで、最先端のペアとローテーションの登録結果を比較した。
  論文  参考訳（メタデータ） (2024-03-30T17:29:13Z)
• GraphAlign: Enhancing Accurate Feature Alignment by Graph matching for Multi-Modal 3D Object Detection [7.743525134435137]
  LiDARとカメラは、自律運転における3Dオブジェクト検出のための補完センサーである。 グラフマッチングによる3次元物体検出のためのより正確な特徴アライメント戦略であるGraphAlignを提案する。
  論文  参考訳（メタデータ） (2023-10-12T12:06:31Z)
• Overlap Bias Matching is Necessary for Point Cloud Registration [21.584033532099134]
  登録される点雲間のオーバーラップは比較的小さい。 部分点クラウド登録のための教師なしネットワーク Overlap Bias Matching Network (OBMNet) を提案する。
  論文  参考訳（メタデータ） (2023-08-18T07:47:22Z)
• Overlap-guided Gaussian Mixture Models for Point Cloud Registration [61.250516170418784]
  確率的3Dポイントクラウド登録法は、ノイズ、アウトレーヤ、密度変動を克服する競合性能を示した。 本稿では,一致したガウス混合モデル(GMM)パラメータから最適変換を演算する,重複誘導確率登録手法を提案する。
  論文  参考訳（メタデータ） (2022-10-17T08:02:33Z)
• Learning to Register Unbalanced Point Pairs [10.369750912567714]
  最近の3D登録法は,大規模あるいは部分的に重複する点対を効果的に扱うことができる。 非平衡点対に対する新しい3次元登録手法であるUPPNetを提案する。
  論文  参考訳（メタデータ） (2022-07-09T08:03:59Z)
• Learning Dense Features for Point Cloud Registration Using Graph Attention Network [0.0]
  本稿では,ポイントクラウドマッチングと登録のためのグラフアテンションネットワークを用いて,高密度特徴を効率的かつ経済的に抽出するフレームワークを提案する。 DFGATの検出器は、大規模な生データセットにおいて、信頼性の高いキーポイントを見つける責任がある。 グラフアテンションネットワークは、ポイントクラウド間の関係を強化するアテンションメカニズムを使用している。
  論文  参考訳（メタデータ） (2022-06-14T10:28:57Z)
• DeepBBS: Deep Best Buddies for Point Cloud Registration [55.12101890792121]
  DeepBBSは、トレーニング中のポイント間の最良の相反する距離を考慮に入れた表現を学ぶための新しい方法である。 実験の結果,従来の手法と比較して性能が向上した。
  論文  参考訳（メタデータ） (2021-10-06T19:00:07Z)
• RPM-Net: Robust Point Matching using Learned Features [79.52112840465558]
  RPM-Netは、より敏感で、より堅牢なディープラーニングベースのアプローチである。 既存の方法とは異なり、我々のRPM-Netは、部分的な可視性を備えた対応や点雲の欠如を処理します。
  論文  参考訳（メタデータ） (2020-03-30T13:45:27Z)

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。