論文の概要: Effective multi-view registration of point sets based on student's t mixture model

• arxiv url: http://arxiv.org/abs/2012.07002v1
• Date: Sun, 13 Dec 2020 08:27:29 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-09 18:10:20.523408
• Title: Effective multi-view registration of point sets based on student's t mixture model
• Title（参考訳）: 生徒のt混合モデルに基づく点集合の効果的な多視点登録
• Authors: Yanlin Ma, Jihua Zhu, Zhongyu Li, Zhiqiang Tian, Yaochen Li
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 15.441928157356477
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recently, Expectation-maximization (EM) algorithm has been introduced as an effective means to solve multi-view registration problem. Most of the previous methods assume that each data point is drawn from the Gaussian Mixture Model (GMM), which is difficult to deal with the noise with heavy-tail or outliers. Accordingly, this paper proposed an effective registration method based on Student's t Mixture Model (StMM). More specially, we assume that each data point is drawn from one unique StMM, where its nearest neighbors (NNs) in other point sets are regarded as the t-distribution centroids with equal covariances, membership probabilities, and fixed degrees of freedom. Based on this assumption, the multi-view registration problem is formulated into the maximization of the likelihood function including all rigid transformations. Subsequently, the EM algorithm is utilized to optimize rigid transformations as well as the only t-distribution covariance for multi-view registration. Since only a few model parameters require to be optimized, the proposed method is more likely to obtain the desired registration results. Besides, all t-distribution centroids can be obtained by the NN search method, it is very efficient to achieve multi-view registration. What's more, the t-distribution takes the noise with heavy-tail into consideration, which makes the proposed method be inherently robust to noises and outliers. Experimental results tested on benchmark data sets illustrate its superior performance on robustness and accuracy over state-of-the-art methods.
• Abstract（参考訳）: 近年,多視点登録問題の解法として期待最大化(EM)アルゴリズムが導入されている。 従来の手法の多くは、各データポイントがガウス混合モデル(gmm)から引き出されていると仮定しており、重み付きや外れ値のノイズを扱うのが難しい。 そこで本稿では,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。 より具体的には、各データポイントは1つのユニークな StMM から引き出されると仮定し、他の点集合に最も近い隣人 (NN) は等しい共分散、メンバーシップ確率、固定自由度を持つ t-分布中心群と見なされる。 この仮定に基づき、多視点登録問題は全ての剛性変換を含む帰納関数の最大化として定式化される。 その後、EMアルゴリズムを用いて厳密な変換を最適化し、マルチビュー登録のための唯一のt分布共分散を最適化する。 最適化が必要なモデルパラメータはごくわずかであるため,提案手法は所望の登録結果を得る可能性が高くなる。 さらに、NNサーチ法により全てのt分布セントロイドを得ることができ、マルチビュー登録を実現するのは非常に効率的である。 さらに、t分布は重み付きノイズを考慮に入れており、提案手法は本質的に雑音や異常値に対して頑健である。 ベンチマークデータセットで試験された実験結果は、最先端手法よりもロバスト性と精度に優れた性能を示す。

関連論文リスト

• Fast Semi-supervised Unmixing using Non-convex Optimization [85.95119207126292]
  半/ライブラリベースのアンミックスのための新しい凸凸モデルを提案する。 スパース・アンミキシングの代替手法の有効性を実証する。
  論文  参考訳（メタデータ） (2024-01-23T10:07:41Z)
• Learning Unnormalized Statistical Models via Compositional Optimization [73.30514599338407]
  実データと人工雑音のロジスティックな損失として目的を定式化することにより, ノイズコントラスト推定(NCE)を提案する。 本稿では,非正規化モデルの負の対数類似度を最適化するための直接的アプローチについて検討する。
  論文  参考訳（メタデータ） (2023-06-13T01:18:16Z)
• 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)
• Robust Multi-view Registration of Point Sets with Laplacian Mixture Model [25.865100974015412]
  重み付きラプラシアン分布に基づいて複数の点集合を整列させる新しい確率的生成法を提案する。 本稿では,提案手法の利点を,ベンチマークの挑戦的データセットに対する最先端手法と比較することによって示す。
  論文  参考訳（メタデータ） (2021-10-26T14:49:09Z)
• 3DMNDT:3D multi-view registration method based on the normal distributions transform [23.427473819499145]
  本稿では,正規分布変換(3DMNDT)に基づく3Dマルチビュー登録法を提案する。 提案手法はK平均クラスタリングとリー代数ソルバを統合し,マルチビュー登録を実現する。 ベンチマークデータセットで実験を行った結果,提案手法がマルチビュー登録の最先端性能を達成できることが判明した。
  論文  参考訳（メタデータ） (2021-03-20T03:20:31Z)
• Attentional-Biased Stochastic Gradient Descent [74.49926199036481]
  深層学習におけるデータ不均衡やラベルノイズ問題に対処するための証明可能な手法(ABSGD)を提案する。 本手法は運動量SGDの簡易な修正であり,各試料に個別の重み付けを行う。 ABSGDは追加コストなしで他の堅牢な損失と組み合わせられるほど柔軟である。
  論文  参考訳（メタデータ） (2020-12-13T03:41:52Z)
• Rigid and Articulated Point Registration with Expectation Conditional Maximization [20.096170794358315]
  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。
  論文  参考訳（メタデータ） (2020-12-09T17:36:11Z)
• Adaptive Sampling for Best Policy Identification in Markov Decision Processes [79.4957965474334]
  本稿では,学習者が生成モデルにアクセスできる場合の,割引マルコフ決定(MDP)における最良の政治的識別の問題について検討する。 最先端アルゴリズムの利点を論じ、解説する。
  論文  参考訳（メタデータ） (2020-09-28T15:22:24Z)
• 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)
• Registration of multi-view point sets under the perspective of expectation-maximization [31.028202531810386]
  我々は、期待最大化(EM)の観点から、新しい多視点登録手法を提案する。 提案手法は、いくつかのベンチマークデータセットでテストされ、最先端のアルゴリズムと比較される。
  論文  参考訳（メタデータ） (2020-02-18T10:04:51Z)

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。