論文の概要: MaskNet: A Fully-Convolutional Network to Estimate Inlier Points

• arxiv url: http://arxiv.org/abs/2010.09185v1
• Date: Mon, 19 Oct 2020 03:18:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-05 20:37:30.994080
• Title: MaskNet: A Fully-Convolutional Network to Estimate Inlier Points
• Title（参考訳）: MaskNet:不整点を推定する完全な畳み込みネットワーク
• Authors: Vinit Sarode, Animesh Dhagat, Rangaprasad Arun Srivatsan, Nicolas Zevallos, Simon Lucey, Howie Choset
• Abstract要約: 本稿では,ある点のどの点が他の点のどの点と最もよく似ているかを同定する完全畳み込みニューラルネットワークを提案する。 ネットワークに再適合した場合,学習ベースおよび古典的ポイントクラウド登録手法の改善を示す。
• 参考スコア（独自算出の注目度）: 37.812721238467645
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Point clouds have grown in importance in the way computers perceive the world. From LIDAR sensors in autonomous cars and drones to the time of flight and stereo vision systems in our phones, point clouds are everywhere. Despite their ubiquity, point clouds in the real world are often missing points because of sensor limitations or occlusions, or contain extraneous points from sensor noise or artifacts. These problems challenge algorithms that require computing correspondences between a pair of point clouds. Therefore, this paper presents a fully-convolutional neural network that identifies which points in one point cloud are most similar (inliers) to the points in another. We show improvements in learning-based and classical point cloud registration approaches when retrofitted with our network. We demonstrate these improvements on synthetic and real-world datasets. Finally, our network produces impressive results on test datasets that were unseen during training, thus exhibiting generalizability. Code and videos are available at https://github.com/vinits5/masknet
• Abstract（参考訳）: ポイントクラウドは、コンピュータが世界を理解する方法において重要になっている。 自動運転車やドローンのLIDARセンサーから、携帯電話の飛行時間やステレオビジョンシステムに至るまで、ポイントクラウドは至る所にある。 その用途にもかかわらず、現実世界の点雲は、センサーの制限や閉塞のため、またはセンサーノイズやアーティファクトから余分な点を含むため、しばしば欠落している。 これらの問題は、一対の点雲間の計算対応を必要とするアルゴリズムに挑戦する。 そこで本論文では,ある点の雲のどの点が他の点と最もよく似ているかを特定する完全畳み込みニューラルネットワークを提案する。 ネットワークに再適合した場合,学習ベースおよび古典的ポイントクラウド登録手法の改善を示す。 これらの改良を合成および実世界のデータセットで実証する。 最後に、我々のネットワークはトレーニング中に見つからなかったテストデータセットに素晴らしい結果をもたらし、一般化可能性を示す。 コードとビデオはhttps://github.com/vinits5/masknetで入手できる。

関連論文リスト

• Clustering based Point Cloud Representation Learning for 3D Analysis [80.88995099442374]
  本稿では,ポイントクラウド分析のためのクラスタリングに基づく教師付き学習手法を提案する。 現在のデファクトでシーンワイドなトレーニングパラダイムとは異なり、我々のアルゴリズムは点埋め込み空間上でクラス内のクラスタリングを行う。 我々のアルゴリズムは、有名なポイントクラウドセグメンテーションデータセットの顕著な改善を示している。
  論文  参考訳（メタデータ） (2023-07-27T03:42:12Z)
• 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)
• Point-Syn2Real: Semi-Supervised Synthetic-to-Real Cross-Domain Learning for Object Classification in 3D Point Clouds [14.056949618464394]
  LiDAR 3Dポイントクラウドデータを用いたオブジェクト分類は、自律運転のような現代的なアプリケーションにとって重要である。 本稿では,ポイントクラウドのマニュアルアノテーションに依存しない半教師付きクロスドメイン学習手法を提案する。 我々は、ポイントクラウド上でのクロスドメイン学習のための新しいベンチマークデータセットであるPoint-Syn2Realを紹介した。
  論文  参考訳（メタデータ） (2022-10-31T01:53:51Z)
• Analyzing Deep Learning Representations of Point Clouds for Real-Time In-Vehicle LiDAR Perception [2.365702128814616]
  本稿では,現代の深層ニューラルネットワークで使用されているLiDAR点群を3次元点群処理に応用した新しい計算分類法を提案する。 これにより、計算効率、メモリ要件、表現能力の点で共通の利点と限界を明らかにする。
  論文  参考訳（メタデータ） (2022-10-26T10:39:59Z)
• Unsupervised Point Cloud Representation Learning with Deep Neural Networks: A Survey [104.71816962689296]
  大規模クラウドラベリングの制約により,教師なしのポイントクラウド表現学習が注目されている。 本稿では、ディープニューラルネットワークを用いた教師なしポイントクラウド表現学習の総合的なレビューを提供する。
  論文  参考訳（メタデータ） (2022-02-28T07:46:05Z)
• SSPU-Net: Self-Supervised Point Cloud Upsampling via Differentiable Rendering [21.563862632172363]
  地中真理を使わずに高密度の点雲を生成するための自己教師付き点雲アップサンプリングネットワーク(SSPU-Net)を提案する。 これを実現するために,入力スパース点雲と高密度点雲との整合性を利用して画像の形状と描画を行う。
  論文  参考訳（メタデータ） (2021-08-01T13:26:01Z)
• Self-Sampling for Neural Point Cloud Consolidation [83.31236364265403]
  本稿では,入力点クラウドのみから学習するニューラルポイントクラウドの統合技術を紹介する。 入力ポイントクラウドを、ディープニューラルネットワークのトレーニングに使用するグローバルサブセットで、繰り返し自己サンプルします。 様々な形状から点集合を集約する能力を示すとともに,出力器やノイズを除去する能力を示す。
  論文  参考訳（メタデータ） (2020-08-14T17:16:02Z)
• Dense-Resolution Network for Point Cloud Classification and Segmentation [42.316932316581635]
  DRNetは、異なる解像度でポイントクラウドからローカルポイント機能を学ぶように設計されている。 広く使われているポイントクラウドセグメンテーションと分類ベンチマークでネットワークを検証することに加えて、コンポーネントのパフォーマンスをテストし視覚化する。
  論文  参考訳（メタデータ） (2020-05-14T06:13:53Z)
• Deep Learning for 3D Point Clouds: A Survey [58.954684611055]
  本稿では,ポイントクラウドにおけるディープラーニング手法の最近の進歩を概観する。 3D形状分類、3Dオブジェクトの検出と追跡、3Dポイントクラウドセグメンテーションを含む3つの主要なタスクをカバーしている。 また、いくつかの公開データセットで比較結果を提示する。
  論文  参考訳（メタデータ） (2019-12-27T09:15:54Z)

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。