論文の概要: SpinNet: Learning a General Surface Descriptor for 3D Point Cloud Registration

• arxiv url: http://arxiv.org/abs/2011.12149v2
• Date: Fri, 9 Apr 2021 16:42:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-21 12:18:29.886117
• Title: SpinNet: Learning a General Surface Descriptor for 3D Point Cloud Registration
• Title（参考訳）: spinnet: 3dポイントクラウド登録のための汎用ディスクリプタの学習
• Authors: Sheng Ao, Qingyong Hu, Bo Yang, Andrew Markham, Yulan Guo
• Abstract要約: ローカルな特徴を抽出するために、SpinNetと呼ばれる新しい、概念的にはシンプルで、ニューラルなアーキテクチャを導入する。 屋内と屋外の両方の実験では、SpinNetが既存の最先端技術より優れていることが示されている。
• 参考スコア（独自算出の注目度）: 57.28608414782315
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Extracting robust and general 3D local features is key to downstream tasks such as point cloud registration and reconstruction. Existing learning-based local descriptors are either sensitive to rotation transformations, or rely on classical handcrafted features which are neither general nor representative. In this paper, we introduce a new, yet conceptually simple, neural architecture, termed SpinNet, to extract local features which are rotationally invariant whilst sufficiently informative to enable accurate registration. A Spatial Point Transformer is first introduced to map the input local surface into a carefully designed cylindrical space, enabling end-to-end optimization with SO(2) equivariant representation. A Neural Feature Extractor which leverages the powerful point-based and 3D cylindrical convolutional neural layers is then utilized to derive a compact and representative descriptor for matching. Extensive experiments on both indoor and outdoor datasets demonstrate that SpinNet outperforms existing state-of-the-art techniques by a large margin. More critically, it has the best generalization ability across unseen scenarios with different sensor modalities. The code is available at https://github.com/QingyongHu/SpinNet.
• Abstract（参考訳）: 堅牢で一般的な3Dローカル機能を抽出することは、ポイントクラウドの登録や再構築といった下流タスクの鍵となる。 既存の学習ベースのローカル記述子は回転変換に敏感であるか、あるいは汎用的でも代表的でもない古典的な手作りの特徴に依存している。 本稿では,SpinNetと呼ばれる新しい,概念上はシンプルなニューラルアーキテクチャを導入し,回転不変な局所的特徴を抽出し,正確な登録を可能にする。 空間点変換器は、入力された局所曲面を慎重に設計された円筒空間にマッピングするために最初に導入され、SO(2)等変表現によるエンドツーエンドの最適化を可能にする。 次に、強力な点ベースおよび3d円筒型畳み込み神経層を利用する神経特徴抽出器を用いて、コンパクトで代表的な記述子を導出してマッチングを行う。 屋内および屋外のデータセットにおける広範囲な実験は、spinnetが既存の最先端技術よりも大きなマージンで優れていることを示している。 より重要なことは、センサモードの異なる未確認シナリオにまたがる最高の一般化能力である。 コードはhttps://github.com/QingyongHu/SpinNetで入手できる。

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)
• 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)
• SVNet: Where SO(3) Equivariance Meets Binarization on Point Cloud Representation [65.4396959244269]
  本論文は,3次元学習アーキテクチャを構築するための一般的なフレームワークを設計することによる課題に対処する。 提案手法はPointNetやDGCNNといった一般的なバックボーンに適用できる。 ModelNet40、ShapeNet、および実世界のデータセットであるScanObjectNNの実験では、この手法が効率、回転、精度の間の大きなトレードオフを達成することを示した。
  論文  参考訳（メタデータ） (2022-09-13T12:12:19Z)
• Learning Smooth Neural Functions via Lipschitz Regularization [92.42667575719048]
  ニューラルフィールドにおけるスムーズな潜伏空間を促進するために設計された新しい正規化を導入する。 従来のリプシッツ正規化ネットワークと比較して、我々のアルゴリズムは高速で、4行のコードで実装できる。
  論文  参考訳（メタデータ） (2022-02-16T21:24:54Z)
• 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)
• Rotation-Invariant Local-to-Global Representation Learning for 3D Point Cloud [42.86112554931754]
  本稿では,3次元点クラウドデータに対する局所的-言語的表現学習アルゴリズムを提案する。 本モデルは,グラフ畳み込みニューラルネットワークに基づく多レベル抽象化を利用する。 提案アルゴリズムは,3次元物体の回転認識とセグメント化のベンチマークにおいて,最先端の性能を示す。
  論文  参考訳（メタデータ） (2020-10-07T10:30:20Z)
• Distinctive 3D local deep descriptors [2.512827436728378]
  ポイントクラウドパッチは抽出され、推定されたローカル参照フレームに対して正準化され、PointNetベースのディープニューラルネットワークによって符号化される。 我々は、異なるセンサを用いて再構成された点雲からなる複数のデータセットにおいて、DIPを、別の手作り、ディープディスクリプタと比較し、比較した。
  論文  参考訳（メタデータ） (2020-09-01T06:25:06Z)
• 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)
• A Rotation-Invariant Framework for Deep Point Cloud Analysis [132.91915346157018]
  ネットワーク入力時に一般的な3次元カルト座標を置き換えるために,新しい低レベル純粋回転不変表現を導入する。 また,これらの表現を特徴に組み込むネットワークアーキテクチャを提案し,点とその近傍の局所的関係とグローバルな形状構造を符号化する。 本手法は, 形状分類, 部分分割, 形状検索を含む多点雲解析タスクにおいて評価する。
  論文  参考訳（メタデータ） (2020-03-16T14:04:45Z)

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。