論文の概要: MinkLoc3D: Point Cloud Based Large-Scale Place Recognition

• arxiv url: http://arxiv.org/abs/2011.04530v1
• Date: Mon, 9 Nov 2020 16:11:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-28 01:25:51.549733
• Title: MinkLoc3D: Point Cloud Based Large-Scale Place Recognition
• Title（参考訳）: MinkLoc3D:ポイントクラウドによる大規模位置認識
• Authors: Jacek Komorowski
• Abstract要約: 本稿では,位置認識のための識別型3Dポイントクラウド記述子を学習ベースで計算する手法を提案する。 我々は,分別的な3Dポイントクラウド記述子であるMinkLoc3Dを,分別的な3Dポイントクラウド表現と分別な3Dコンボリューションに基づいて提案する。
• 参考スコア（独自算出の注目度）: 1.116812194101501
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The paper presents a learning-based method for computing a discriminative 3D point cloud descriptor for place recognition purposes. Existing methods, such as PointNetVLAD, are based on unordered point cloud representation. They use PointNet as the first processing step to extract local features, which are later aggregated into a global descriptor. The PointNet architecture is not well suited to capture local geometric structures. Thus, state-of-the-art methods enhance vanilla PointNet architecture by adding different mechanism to capture local contextual information, such as graph convolutional networks or using hand-crafted features. We present an alternative approach, dubbed MinkLoc3D, to compute a discriminative 3D point cloud descriptor, based on a sparse voxelized point cloud representation and sparse 3D convolutions. The proposed method has a simple and efficient architecture. Evaluation on standard benchmarks proves that MinkLoc3D outperforms current state-of-the-art. Our code is publicly available on the project website: https://github.com/jac99/MinkLoc3D
• Abstract（参考訳）: 本稿では,位置認識のための識別型3Dポイントクラウド記述子を学習ベースで計算する手法を提案する。 PointNetVLADのような既存のメソッドは、未順序のポイントクラウド表現に基づいている。 彼らはPointNetを最初の処理ステップとして、ローカル機能を抽出し、後にグローバルディスクリプタに集約する。 PointNetアーキテクチャは、局所的な幾何学構造を捉えるのに適していない。 したがって、最先端の手法はグラフ畳み込みネットワークや手作りの機能といったローカルなコンテキスト情報をキャプチャする異なるメカニズムを追加することで、バニラポイントネットアーキテクチャを強化する。 我々は、sparse voxelized point cloud表現とsparse 3d convolutionsに基づいて、識別可能な3d point cloudディスクリプタを計算するためのminkloc3dという別のアプローチを提案する。 提案手法は単純で効率的なアーキテクチャを有する。 標準ベンチマークの評価は、MinkLoc3Dが現在の最先端よりも優れていることを証明している。 私たちのコードはプロジェクトウェブサイトで公開されている。 https://github.com/jac99/minkloc3d。

関連論文リスト

• Mini-PointNetPlus: a local feature descriptor in deep learning model for 3d environment perception [7.304195370862869]
  そこで我々は,PointNet へのプラグイン・アンド・プレイの代替として,新しいローカル機能記述子 mini-PointNetPlus を提案する。 我々の基本的な考え方は、データポイントを考慮された個々の特徴に別々に投影することであり、それぞれが置換不変となる。 提案する記述子の特徴を十分に活用するため,3次元知覚の性能向上実験を行った。
  論文  参考訳（メタデータ） (2023-07-25T07:30:28Z)
• Dynamic Clustering Transformer Network for Point Cloud Segmentation [23.149220817575195]
  動的クラスタリングトランスネットワーク(DCTNet)と呼ばれる新しい3Dポイントクラウド表現ネットワークを提案する。 エンコーダ-デコーダアーキテクチャがあり、ローカルとグローバルの両方の機能学習が可能である。 提案手法は,オブジェクトベースデータセット(ShapeNet),都市ナビゲーションデータセット(Toronto-3D),マルチスペクトルLiDARデータセットを用いて評価した。
  論文  参考訳（メタデータ） (2023-05-30T01:11:05Z)
• Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud Analysis [66.49788145564004]
  我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。 我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
  論文  参考訳（メタデータ） (2022-12-17T15:05:25Z)
• CAGroup3D: Class-Aware Grouping for 3D Object Detection on Point Clouds [55.44204039410225]
  本稿では,CAGroup3Dという新しい2段階完全スパース3Dオブジェクト検出フレームワークを提案する。 提案手法は,まず,オブジェクト表面のボクセル上でのクラス認識型局所群戦略を活用することによって,高品質な3D提案を生成する。 不正なボクセルワイドセグメンテーションにより欠落したボクセルの特徴を回復するために,完全にスパースな畳み込み型RoIプールモジュールを構築した。
  論文  参考訳（メタデータ） (2022-10-09T13:38:48Z)
• PointAttN: You Only Need Attention for Point Cloud Completion [89.88766317412052]
  ポイント・クラウド・コンプリート(Point cloud completion)とは、部分的な3次元ポイント・クラウドから3次元の形状を完成させることである。 そこで我々は,kNNを除去するために,ポイントクラウドをポイント単位に処理する新しいニューラルネットワークを提案する。 提案するフレームワークであるPointAttNはシンプルで簡潔で効果的であり、3次元形状の構造情報を正確に捉えることができる。
  論文  参考訳（メタデータ） (2022-03-16T09:20:01Z)
• EgoNN: Egocentric Neural Network for Point Cloud Based 6DoF Relocalization at the City Scale [15.662820454886202]
  回転する3次元LiDARにより得られる点雲からグローバルおよび局所記述子を抽出するためのディープニューラルネットワークに基づく手法を提案する。 本手法は, スパースボキセル化表現に基づく, 単純で完全な畳み込み構造を有する。 私たちのコードと事前訓練されたモデルはプロジェクトのWebサイトで公開されています。
  論文  参考訳（メタデータ） (2021-10-24T16:46:57Z)
• TreeGCN-ED: Encoding Point Cloud using a Tree-Structured Graph Network [24.299931323012757]
  この研究は、ポイントクラウドのための堅牢な埋め込みを生成するオートエンコーダベースのフレームワークを提案する。 3Dポイントクラウド補完やシングルイメージベースの3D再構成といったアプリケーションにおいて,提案フレームワークの適用性を示す。
  論文  参考訳（メタデータ） (2021-10-07T03:52:56Z)
• UPDesc: Unsupervised Point Descriptor Learning for Robust Registration [54.95201961399334]
  UPDescは、ロバストポイントクラウド登録のためのポイント記述子を学習するための教師なしの方法である。 学習した記述子は既存の教師なし手法よりも優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2021-08-05T17:11:08Z)
• Revisiting Point Cloud Shape Classification with a Simple and Effective Baseline [111.3236030935478]
  評価手法の違い,データ拡張戦略,損失関数などの補助的要因が,性能に大きな違いをもたらすことがわかった。 SimpleViewと呼ばれるプロジェクションベースのメソッドは驚くほどうまく機能します。 ポイントネット++の半分のサイズでありながら、ModelNet40の洗練された最先端メソッドよりも同等かそれ以上の結果が得られる。
  論文  参考訳（メタデータ） (2021-06-09T18:01:11Z)
• DH3D: Deep Hierarchical 3D Descriptors for Robust Large-Scale 6DoF Relocalization [56.15308829924527]
  生の3D点から直接3次元特徴の検出と記述を共同で学習するシームズネットワークを提案する。 3次元キーポイントを検出するために,局所的な記述子の識別性を教師なしで予測する。 各種ベンチマーク実験により,本手法はグローバルポイントクラウド検索とローカルポイントクラウド登録の両面で競合する結果が得られた。
  論文  参考訳（メタデータ） (2020-07-17T20:21:22Z)

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。