論文の概要: vLPD-Net: A Registration-aided Domain Adaptation Network for 3D Point Cloud Based Place Recognition

• arxiv url: http://arxiv.org/abs/2012.05018v1
• Date: Wed, 9 Dec 2020 12:56:01 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-16 01:54:06.879324
• Title: vLPD-Net: A Registration-aided Domain Adaptation Network for 3D Point Cloud Based Place Recognition
• Title（参考訳）: vLPD-Net: 3Dポイントクラウドを用いた位置認識のための登録支援ドメイン適応ネットワーク
• Authors: Zhijian Qiao, Hanjiang Hu, Siyuan Chen, Zhe Liu, Zhuowen Shen, Hesheng Wang
• Abstract要約: 点群に基づく位置認識のための新規な登録支援3次元ドメイン適応ネットワークを提案する。 構造対応登録ネットワークを導入し、幾何学的特性から特徴を学習する。 この結果は,実世界のoxford robotcarデータセットにおける最先端の3d位置認識ベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 19.63989918943894
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the field of large-scale SLAM for autonomous driving and mobile robotics, 3D point cloud based place recognition has aroused significant research interest due to its robustness to changing environments with drastic daytime and weather variance. However, it is time-consuming and effort-costly to obtain high-quality point cloud data and groundtruth for registration and place recognition model training in the real world. To this end, a novel registration-aided 3D domain adaptation network for point cloud based place recognition is proposed. A structure-aware registration network is introduced to help learn feature from geometric properties and a matching rate based triplet loss is involved for metric learning. The model is trained through a new virtual LiDAR dataset through GTA-V with diverse weather and daytime conditions and domain adaptation is implemented to the real-world domain by aligning the local and global features. Extensive experiments have been conducted to validate the effectiveness of the structure-aware registration network and domain adaptation. Our results outperform state-of-the-art 3D place recognition baselines on the real-world Oxford RobotCar dataset with the visualization of large-scale registration on the virtual dataset.
• Abstract（参考訳）: 自律走行と移動ロボットのための大規模SLAMの分野では、3Dポイントのクラウドによる位置認識が、昼時間と天候の急激な変動を伴う環境の変化に対する堅牢性から、大きな研究の関心を喚起している。 しかし、高品質なクラウドデータと、実際の世界での登録と位置認識モデルのトレーニングの基盤を得るには、時間と労力がかかる。 この目的のために、ポイントクラウドに基づく位置認識のための新しい登録支援3Dドメイン適応ネットワークを提案する。 幾何特性から特徴を学習するために構造対応登録ネットワークを導入し、メトリック学習にはマッチングレートに基づく三重項損失が関与する。 このモデルは、GTA-Vによる新たな仮想LiDARデータセットを通じて、さまざまな天候と日中条件でトレーニングされ、局所的特徴とグローバルな特徴を整合させることで、現実のドメインにドメイン適応する。 構造認識登録ネットワークの有効性とドメイン適応性を検証するために,大規模な実験が行われた。 この結果は,実世界のoxford robotcarデータセットにおける最先端の3d位置認識ベースラインを上回り,仮想データセットの大規模登録を可視化した。

関連論文リスト

• Boosting Cross-Domain Point Classification via Distilling Relational Priors from 2D Transformers [59.0181939916084]
  従来の3Dネットワークは主に局所幾何学的詳細に焦点を当て、局所幾何学間の位相構造を無視する。 そこで本稿では,大規模画像上においてよく訓練されたトランスフォーマーから前駆体を抽出する,新しい先駆体蒸留法を提案する。 PointDA-10とSim-to-Realデータセットの実験は、提案手法が点クラウド分類におけるUDAの最先端性能を一貫して達成していることを検証する。
  論文  参考訳（メタデータ） (2024-07-26T06:29:09Z)
• AutoSynth: Learning to Generate 3D Training Data for Object Point Cloud Registration [69.21282992341007]
  Auto Synthは、ポイントクラウド登録のための3Dトレーニングデータを自動的に生成する。 私たちはポイントクラウド登録ネットワークをもっと小さなサロゲートネットワークに置き換え、4056.43$のスピードアップを実現しました。 TUD-L,LINEMOD,Occluded-LINEMODに関する我々の研究結果は,検索データセットでトレーニングされたニューラルネットワークが,広く使用されているModelNet40データセットでトレーニングされたニューラルネットワークよりも一貫してパフォーマンスが向上していることを示す。
  論文  参考訳（メタデータ） (2023-09-20T09:29:44Z)
• AGO-Net: Association-Guided 3D Point Cloud Object Detection Network [86.10213302724085]
  ドメイン適応によるオブジェクトの無傷な特徴を関連付ける新しい3D検出フレームワークを提案する。 我々は,KITTIの3D検出ベンチマークにおいて,精度と速度の両面で最新の性能を実現する。
  論文  参考訳（メタデータ） (2022-08-24T16:54:38Z)
• Self-Ensemling for 3D Point Cloud Domain Adaption [29.330315360307374]
  本稿では,3次元クラウド領域適応タスクのためのエンドツーエンドの自己組織化ネットワーク(SEN)を提案する。 我々のSENは、平均教師と半教師付き学習の利点を生かし、ソフトな分類損失と一貫性損失を導入している。 我々のSENは、分類タスクとセグメンテーションタスクの両方において最先端の手法より優れています。
  論文  参考訳（メタデータ） (2021-12-10T02:18:09Z)
• Domain Adaptation for Real-World Single View 3D Reconstruction [1.611271868398988]
  教師なしのドメイン適応は、ラベル付き合成ソースドメインからラベルなしの実際のターゲットドメインに知識を転送するために使用することができる。 本稿では,3次元モデルでは対象のドメインデータが教師されないが,クラスラベルでは教師されないという事実を生かして,新しいアーキテクチャを提案する。 その結果はShapeNetをソースドメインとして、Object Domain Suite(ODDS)データセット内のドメインをターゲットとして実行されます。
  論文  参考訳（メタデータ） (2021-08-24T22:02:27Z)
• ePointDA: An End-to-End Simulation-to-Real Domain Adaptation Framework for LiDAR Point Cloud Segmentation [111.56730703473411]
  LiDARデータ上でディープニューラルネットワーク(DNN)をトレーニングするには、大規模なポイントワイドアノテーションが必要である。 シミュレーション・トゥ・リアル・ドメイン適応(SRDA)は、DNNを無制限の合成データと自動生成されたラベルで訓練する。 ePointDAは、自己教師付きドロップアウトノイズレンダリング、統計不変および空間適応型特徴アライメント、転送可能なセグメンテーション学習の3つのモジュールで構成されている。
  論文  参考訳（メタデータ） (2020-09-07T23:46:08Z)
• InfoFocus: 3D Object Detection for Autonomous Driving with Dynamic Information Modeling [65.47126868838836]
  動的情報モデリングを用いた新しい3次元オブジェクト検出フレームワークを提案する。 粗い予測は、ボクセルベースの領域提案ネットワークを介して第1段階で生成される。 大規模なnuScenes 3D検出ベンチマークで実験を行った。
  論文  参考訳（メタデータ） (2020-07-16T18:27:08Z)
• D3Feat: Joint Learning of Dense Detection and Description of 3D Local Features [51.04841465193678]
  私たちは3Dポイントクラウドに3D完全畳み込みネットワークを活用しています。 本稿では,3次元点ごとに検出スコアと記述特徴の両方を密に予測する,新しい,実践的な学習機構を提案する。 本手法は,屋内と屋外の両方のシナリオで最先端の手法を実現する。
  論文  参考訳（メタデータ） (2020-03-06T12:51:09Z)

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。