論文の概要: Rigid and Articulated Point Registration with Expectation Conditional
Maximization
- arxiv url: http://arxiv.org/abs/2012.05191v1
- Date: Wed, 9 Dec 2020 17:36:11 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-16 06:40:29.192088
- Title: Rigid and Articulated Point Registration with Expectation Conditional
Maximization
- Title(参考訳): 期待条件最大化を伴う剛体および関節点登録
- Authors: Radu Horaud, Florence Forbes, Manuel Yguel, Guillaume Dewaele, and
Jian Zhang
- Abstract要約: 革新的なEMライクアルゴリズム、すなわちECMPR(Conditional Expectation Maximization for Point Registration)アルゴリズムを紹介します。
登録パラメータの推定の観点で、関連する結果について詳細に分析する。
堅固な登録を有形登録まで延長します。
- 参考スコア(独自算出の注目度): 20.096170794358315
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper addresses the issue of matching rigid and articulated shapes
through probabilistic point registration. The problem is recast into a missing
data framework where unknown correspondences are handled via mixture models.
Adopting a maximum likelihood principle, we introduce an innovative EM-like
algorithm, namely the Expectation Conditional Maximization for Point
Registration (ECMPR) algorithm. The algorithm allows the use of general
covariance matrices for the mixture model components and improves over the
isotropic covariance case. We analyse in detail the associated consequences in
terms of estimation of the registration parameters, and we propose an optimal
method for estimating the rotational and translational parameters based on
semi-definite positive relaxation. We extend rigid registration to articulated
registration. Robustness is ensured by detecting and rejecting outliers through
the addition of a uniform component to the Gaussian mixture model at hand. We
provide an in-depth analysis of our method and we compare it both theoretically
and experimentally with other robust methods for point registration.
- Abstract(参考訳): 本稿では,確率点登録による剛性と調音形状の整合の問題に対処する。
問題は、未知の対応が混合モデルによって処理される、欠落したデータフレームワークに再キャストされる。
極大極大原理を応用して,ポイント登録のための期待条件最大化(ECMPR)アルゴリズムという,革新的EMライクなアルゴリズムを導入する。
このアルゴリズムは混合モデル成分に対する一般共分散行列の使用を可能にし、等方共分散の場合よりも改善する。
登録パラメータの推定において関連する結果を詳細に分析し、半定値の正緩和に基づく回転パラメータと翻訳パラメータを推定する最適手法を提案する。
厳格登録を明示登録に拡張する。
ガウス混合モデルに一様成分を加えることにより、外れ値の検出と拒絶によってロバスト性を確保する。
提案手法の詳細な解析を行い,理論上も実験上も,他の頑健な点登録法と比較する。
関連論文リスト
- Robust scalable initialization for Bayesian variational inference with
multi-modal Laplace approximations [0.0]
フル共分散構造を持つ変分混合は、パラメータ数による変動パラメータによる二次的な成長に苦しむ。
本稿では,変分推論のウォームスタートに使用できる初期ガウスモデル近似を構築する方法を提案する。
論文 参考訳(メタデータ) (2023-07-12T19:30:04Z) - Overlap-guided Gaussian Mixture Models for Point Cloud Registration [61.250516170418784]
確率的3Dポイントクラウド登録法は、ノイズ、アウトレーヤ、密度変動を克服する競合性能を示した。
本稿では,一致したガウス混合モデル(GMM)パラメータから最適変換を演算する,重複誘導確率登録手法を提案する。
論文 参考訳(メタデータ) (2022-10-17T08:02:33Z) - GiNGR: Generalized Iterative Non-Rigid Point Cloud and Surface
Registration Using Gaussian Process Regression [7.072699623549853]
GiNGRはGaussian Process Morphable Models (GPMM)上に構築されている
我々は、GPRがターゲットに基準をワープし、密度、スパース、または部分的な推定された対応に対して、事前に追従した滑らかな変形をもたらすことを示す。
GiNGRフレームワークの既存のアルゴリズムが確率的登録を行い、異なる登録の分布を得る方法を示す。
論文 参考訳(メタデータ) (2022-03-18T14:23:49Z) - A Stochastic Newton Algorithm for Distributed Convex Optimization [62.20732134991661]
均質な分散凸最適化のためのNewtonアルゴリズムを解析し、各マシンが同じ人口目標の勾配を計算する。
提案手法は,既存の手法と比較して,性能を損なうことなく,必要な通信ラウンドの数,頻度を低減できることを示す。
論文 参考訳(メタデータ) (2021-10-07T17:51:10Z) - Scalable Variational Gaussian Processes via Harmonic Kernel
Decomposition [54.07797071198249]
汎用性を維持しつつ高い忠実度近似を提供する,スケーラブルな変分ガウス過程近似を導入する。
様々な回帰問題や分類問題において,本手法は変換やリフレクションなどの入力空間対称性を活用できることを実証する。
提案手法は, 純粋なGPモデルのうち, CIFAR-10 の最先端化を実現する。
論文 参考訳(メタデータ) (2021-06-10T18:17:57Z) - Posterior-Aided Regularization for Likelihood-Free Inference [23.708122045184698]
後補助正規化(PAR)は,モデル構造に関係なく,密度推定器の学習に適用可能である。
単一のニューラルネットワークを用いて逆KL項と相互情報項の両方を推定するPARの統一推定方法を提供する。
論文 参考訳(メタデータ) (2021-02-15T16:59:30Z) - Effective multi-view registration of point sets based on student's t
mixture model [15.441928157356477]
本稿では,学生のt混合モデル(StMM)に基づく効果的な登録手法を提案する。
NNサーチ法により全てのt分布セントロイドが得られるため、マルチビュー登録を実現するのがより効率的である。
実験結果は,最先端手法よりも優れた性能と精度を示す。
論文 参考訳(メタデータ) (2020-12-13T08:27:29Z) - Amortized Conditional Normalized Maximum Likelihood: Reliable Out of
Distribution Uncertainty Estimation [99.92568326314667]
本研究では,不確実性推定のための拡張性のある汎用的アプローチとして,償却条件正規化最大値(ACNML)法を提案する。
提案アルゴリズムは条件付き正規化最大度(CNML)符号化方式に基づいており、最小記述長の原理に従って最小値の最適特性を持つ。
我々は、ACNMLが、分布外入力のキャリブレーションの観点から、不確実性推定のための多くの手法と好意的に比較することを示した。
論文 参考訳(メタデータ) (2020-11-05T08:04:34Z) - Variable selection for Gaussian process regression through a sparse
projection [0.802904964931021]
本稿では,ガウス過程(GP)レグレッションと統合された新しい変数選択手法を提案する。
パラメータの調整と推定の精度を,選択したベンチマーク手法を用いて評価した。
論文 参考訳(メタデータ) (2020-08-25T01:06:10Z) - 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) - Understanding Implicit Regularization in Over-Parameterized Single Index
Model [55.41685740015095]
我々は高次元単一インデックスモデルのための正規化自由アルゴリズムを設計する。
暗黙正則化現象の理論的保証を提供する。
論文 参考訳(メタデータ) (2020-07-16T13:27:47Z)
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。