論文の概要: Registration Loss Learning for Deep Probabilistic Point Set Registration

• arxiv url: http://arxiv.org/abs/2011.02229v1
• Date: Wed, 4 Nov 2020 11:05:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-29 22:23:52.333879
• Title: Registration Loss Learning for Deep Probabilistic Point Set Registration
• Title（参考訳）: 深い確率的点集合登録のための登録損失学習
• Authors: Felix J\"aremo Lawin, Per-Erik Forss\'en
• Abstract要約: 点集合登録の確率的方法には、使用点数の線形複雑性のような興味深い理論的性質がある。 本研究では,その認識性能を最先端技術に合わせるために改良する。 我々は、登録誤りを直接損失として利用する登録損失学習戦略(RLL)を用いて、これらを共同で学習する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Probabilistic methods for point set registration have interesting theoretical properties, such as linear complexity in the number of used points, and they easily generalize to joint registration of multiple point sets. In this work, we improve their recognition performance to match state of the art. This is done by incorporating learned features, by adding a von Mises-Fisher feature model in each mixture component, and by using learned attention weights. We learn these jointly using a registration loss learning strategy (RLL) that directly uses the registration error as a loss, by back-propagating through the registration iterations. This is possible as the probabilistic registration is fully differentiable, and the result is a learning framework that is truly end-to-end. We perform extensive experiments on the 3DMatch and Kitti datasets. The experiments demonstrate that our approach benefits significantly from the integration of the learned features and our learning strategy, outperforming the state-of-the-art on Kitti. Code is available at https://github.com/felja633/RLLReg.
• Abstract（参考訳）: 点集合登録の確率的手法は、使用点数の線形複雑性のような興味深い理論的性質を持ち、複数の点集合の合同登録に容易に一般化できる。 そこで本研究では,その認識性能を芸術の状況に合致するように改善する。 これは、学習した特徴を取り入れ、各混合成分にvon Mises-Fisher特徴モデルを追加し、学習した注意重みを使って行う。 登録繰り返しをバックプロパゲートすることで、登録エラーを直接損失として利用する登録損失学習戦略(RLL)を用いて、これらを共同で学習する。 これは確率的登録が完全に微分可能であるため可能であり、結果として真にエンドツーエンドの学習フレームワークとなる。 3dmatchとkittiデータセットについて広範な実験を行った。 実験によれば、このアプローチはkittiの最先端を上回って、学習した機能と学習戦略の統合によって大いに有益である。 コードはhttps://github.com/felja633/RLLRegで入手できる。

関連論文リスト

• Probably Approximately Precision and Recall Learning [62.912015491907994]
  精度とリコールは機械学習の基本的な指標である。 一方的なフィードバック – トレーニング中にのみ肯定的な例が観察される – は,多くの実践的な問題に固有のものだ。 PAC学習フレームワークでは,各仮説をグラフで表現し,エッジは肯定的な相互作用を示す。
  論文  参考訳（メタデータ） (2024-11-20T04:21:07Z)
• RGBD-Glue: General Feature Combination for Robust RGB-D Point Cloud Registration [0.0]
  より緩く、より効果的に組み合わせられる新しい機能の組み合わせフレームワークを提案する。 変換一貫性に基づいた明示的なフィルタは,各機能の弱点を克服可能な組み合わせフレームワーク用に設計されている。 ScanNet と 3DMatch の実験により,本手法が最先端の性能を実現することを示す。
  論文  参考訳（メタデータ） (2024-05-13T09:56:28Z)
• KDD-LOAM: Jointly Learned Keypoint Detector and Descriptors Assisted LiDAR Odometry and Mapping [9.609585217048664]
  確率的検出損失を有するマルチタスク完全畳み込みネットワークに基づく密結合型キーポイント検出器とディスクリプタを提案する。 屋内および屋外の両方のデータセットで実験したところ、TCKDDはポイントクラウドの登録において最先端のパフォーマンスを達成することがわかった。 また、キーポイント検出器とディスクリプタ支援LiDAR odometry and Mapping framework (KDD-LOAM) を設計し、その実時間オドメトリはキーポイント記述子マッチングに基づくRANSACに依存している。
  論文  参考訳（メタデータ） (2023-09-27T04:10:52Z)
• Unsupervised 3D registration through optimization-guided cyclical self-training [71.75057371518093]
  最先端のディープラーニングベースの登録方法は、3つの異なる学習戦略を採用している。 本稿では,教師なし登録のための自己指導型学習パラダイムを提案する。 腹部, 肺の登録方法の評価を行い, 測定基準に基づく監督を一貫して上回り, 最先端の競争相手よりも優れていた。
  論文  参考訳（メタデータ） (2023-06-29T14:54:10Z)
• Robust Multiview Point Cloud Registration with Reliable Pose Graph Initialization and History Reweighting [63.95845583460312]
  本稿では,ポイントクラウドのマルチビュー登録のための新しい手法を提案する。 提案手法は,3DMatchデータセットの登録リコール率を11%,ScanNetデータセットの登録エラー率を13%向上させる。
  論文  参考訳（メタデータ） (2023-04-02T06:43:40Z)
• 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)
• Point Cloud Registration using Representative Overlapping Points [10.843159482657303]
  本稿では,登録のための識別機能を備えた代表オーバーラップポイントを用いた新しいディープラーニングモデル ROPNetを提案する。 具体的には,エンコーダを用いてポイントオーバーラップスコアの予測にグローバルな特徴を抽出するコンテキスト誘導モジュールを提案する。 ノイズと部分重なり合う点雲を用いたModelNet40上での実験により,提案手法が従来の学習手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2021-07-06T12:52:22Z)
• DeepGMR: Learning Latent Gaussian Mixture Models for Registration [113.74060941036664]
  ポイントクラウドの登録は、3Dコンピュータビジョン、グラフィックス、ロボット工学の基本的な問題である。 本稿では,最初の学習ベース登録法であるDeep Gaussian Mixture Registration(DeepGMR)を紹介する。 提案手法は,最先端の幾何学的および学習的登録手法と比較して,良好な性能を示す。
  論文  参考訳（メタデータ） (2020-08-20T17:25:16Z)
• Learning 3D-3D Correspondences for One-shot Partial-to-partial Registration [66.41922513553367]
  学習に基づく部分的対部分的な登録をワンショットで行うことができることを示す。 そこで本研究では,ビンの利用により閉塞点を考慮に入れた最適輸送層を提案する。 結果として得られるOPRNetフレームワークは、標準ベンチマークにおける最先端技術を上回っている。
  論文  参考訳（メタデータ） (2020-06-08T12:35:47Z)
• Learning multiview 3D point cloud registration [74.39499501822682]
  本稿では,エンドツーエンドで学習可能なマルチビュー3Dポイントクラウド登録アルゴリズムを提案する。 このアプローチは、エンドツーエンドのトレーニングが可能で、計算コストが小さく、最先端のマージンよりも優れています。
  論文  参考訳（メタデータ） (2020-01-15T03:42:14Z)

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。