Fugu-MT 論文翻訳(概要): A Simple and Efficient Registration of 3D Point Cloud and Image Data for Indoor Mobile Mapping System

論文の概要: A Simple and Efficient Registration of 3D Point Cloud and Image Data for Indoor Mobile Mapping System

arxiv url: http://arxiv.org/abs/2010.14261v1
Date: Tue, 27 Oct 2020 13:01:54 GMT
ステータス: 処理完了
システム内更新日: 2022-10-02 12:14:57.338430
Title: A Simple and Efficient Registration of 3D Point Cloud and Image Data for Indoor Mobile Mapping System
Title（参考訳）: 屋内移動地図システムのための3dポイントクラウドと画像データの簡易かつ効率的な登録
Authors: Hao Ma, Jingbin Liu, Keke Liu, Hongyu Qiu, Dong Xu, Zemin Wang, Xiaodong Gong, Sheng Yang (State Key Laboratory of Information Engineering in Survering, Mapping and Remote Sensing, Wuhan University)
Abstract要約: 光画像による3次元LiDAR点雲の登録は、マルチソースデータの組み合わせにおいて重要である。幾何学的ミスアライメントは元々、LiDAR点雲と光学画像の間のポーズデータに存在する。我々は,初期ポーズの精度を向上させるため,シンプルだが効率的な登録方法を開発した。
参考スコア（独自算出の注目度）: 18.644879251473647
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Registration of 3D LiDAR point clouds with optical images is critical in the combination of multi-source data. Geometric misalignment originally exists in the pose data between LiDAR point clouds and optical images. To improve the accuracy of the initial pose and the applicability of the integration of 3D points and image data, we develop a simple but efficient registration method. We firstly extract point features from LiDAR point clouds and images: point features is extracted from single-frame LiDAR and point features from images using classical Canny method. Cost map is subsequently built based on Canny image edge detection. The optimization direction is guided by the cost map where low cost represents the the desired direction, and loss function is also considered to improve the robustness of the the purposed method. Experiments show pleasant results.
Abstract（参考訳）: 光画像による3次元LiDAR点雲の登録は、マルチソースデータの組み合わせにおいて重要である。幾何学的ミスアライメントは元々、LiDAR点雲と光学画像の間のポーズデータに存在する。初期ポーズの精度と3dポイントと画像データの統合の適用性を向上させるため,簡易かつ効率的な登録手法を開発した。まず,LiDARの点雲と画像から点特徴を抽出する。点特徴は単一フレームのLiDARから,点特徴は古典的なCanny法による画像から抽出する。コストマップはCannyイメージエッジ検出に基づいて構築される。最適化方向は、低コストが所望の方向を表すコストマップによって導かれ、損失関数もまた、目的とした方法のロバスト性を向上させると考えられる。実験は楽しい結果を示します。

関連論文リスト

Sparse-to-Dense LiDAR Point Generation by LiDAR-Camera Fusion for 3D Object Detection [9.076003184833557]
2D画像特徴を融合させてLiDARポイントクラウドデータを再構成する新しいフレームワークであるLiDAR-Camera Augmentation Network (LCANet)を提案する。 LCANetは、画像特徴を3D空間に投影し、意味情報をポイントクラウドデータに統合することで、LiDARセンサーからのデータを融合する。この融合は、しばしばスパースポイントで表される長距離物体の検出におけるLiDARの弱点を効果的に補う。
論文参考訳（メタデータ） (2024-09-23T13:03:31Z)
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)
Self-supervised Learning of LiDAR 3D Point Clouds via 2D-3D Neural Calibration [107.61458720202984]
本稿では,自律走行シーンにおける3次元知覚を高めるための,新しい自己教師型学習フレームワークを提案する。本稿では,画像とポイントクラウドデータの領域ギャップを埋めるために,学習可能な変換アライメントを提案する。我々は剛性ポーズを推定するために密度の高い2D-3D対応を確立する。
論文参考訳（メタデータ） (2024-01-23T02:41:06Z)
Zero-Shot Point Cloud Registration [94.39796531154303]
ZeroRegは、ポイントクラウドデータセットのトレーニングを不要にする最初のゼロショットポイントクラウド登録アプローチである。 ZeroRegの基盤は、キーポイントからポイントクラウドへの画像特徴の新たな移行であり、三次元幾何学的近傍からの情報を集約することによって強化されている。 3DMatch、3DLoMatch、ScanNetなどのベンチマークでは、ZeroRegはそれぞれ84%、46%、75%という印象的なリコール比(RR)を達成した。
論文参考訳（メタデータ） (2023-12-05T11:33:16Z)
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)
Quadric Representations for LiDAR Odometry, Mapping and Localization [93.24140840537912]
現在のLiDARオードメトリ、マッピング、ローカライズ手法は、3Dシーンのポイントワイズ表現を利用する。 3次元オブジェクトのよりコンパクトな表現である2次元曲面を用いたシーン記述法を提案する。提案手法は低レイテンシとメモリの有効性を維持しつつ、競争力があり、しかも精度も優れている。
論文参考訳（メタデータ） (2023-04-27T13:52:01Z)
(LC)$^2$: LiDAR-Camera Loop Constraints For Cross-Modal Place Recognition [0.9449650062296824]
本稿では,先行点クラウドマップを使わずにLiDARローカライゼーションを実現するために, (LC)$2$と呼ばれる新しいクロスマッチング手法を提案する。ネットワークは、異なる画像とレンジ画像からローカライズ記述子を抽出するために訓練される。我々は、LiDARベースのナビゲーションシステムが画像データベースから最適化され、その逆も可能であることを実証する。
論文参考訳（メタデータ） (2023-04-17T23:20:16Z)
Real-Time Simultaneous Localization and Mapping with LiDAR intensity [9.374695605941627]
実時間LiDAR強調画像を用いた同時位置推定とマッピング手法を提案する。提案手法は高精度でリアルタイムに動作可能であり,照度変化,低テクスチャ,非構造化環境でも有効である。
論文参考訳（メタデータ） (2023-01-23T03:59:48Z)
MonoDistill: Learning Spatial Features for Monocular 3D Object Detection [80.74622486604886]
本稿では,LiDAR信号からの空間情報を単分子3D検出器に導入するための簡易かつ効果的な手法を提案する。得られたデータを用いて、ベースラインモデルと同じアーキテクチャで3D検出器をトレーニングする。実験の結果,提案手法はベースラインモデルの性能を大幅に向上させることができることがわかった。
論文参考訳（メタデータ） (2022-01-26T09:21:41Z)
Revisiting Point Cloud Simplification: A Learnable Feature Preserving Approach [57.67932970472768]
MeshとPoint Cloudの単純化手法は、3Dモデルの複雑さを低減しつつ、視覚的品質と関連する健全な機能を維持することを目的としている。そこで本研究では,正解点の標本化を学習し,高速点雲の簡易化手法を提案する。提案手法は、入力空間から任意のユーザ定義の点数を選択し、視覚的知覚誤差を最小限に抑えるために、その位置を再配置するよう訓練されたグラフニューラルネットワークアーキテクチャに依存する。
論文参考訳（メタデータ） (2021-09-30T10:23:55Z)
R-AGNO-RPN: A LIDAR-Camera Region Deep Network for Resolution-Agnostic Detection [3.4761212729163313]
3次元点雲とRGB画像を融合した領域提案ネットワークR-AGNO-RPNを提案する。私たちのアプローチは、低点のクラウド解像度にも適用できるように設計されています。
論文参考訳（メタデータ） (2020-12-10T15:22:58Z)

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。