論文の概要: A comprehensive survey on point cloud registration
- arxiv url: http://arxiv.org/abs/2103.02690v2
- Date: Fri, 5 Mar 2021 05:59:07 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-08 11:35:04.136940
- Title: A comprehensive survey on point cloud registration
- Title（参考訳）: ポイントクラウド登録に関する総合調査
- Authors: Xiaoshui Huang, Guofeng Mei, Jian Zhang, Rana Abbas
- Abstract要約: この調査は、同じソース登録方法とクロスソース登録方法の両方を含む包括的な調査を実施します。
surveyは、クロスソースの課題を解決するための最先端の登録アルゴリズムを評価するための新しいベンチマークを構築している。
- 参考スコア（独自算出の注目度）: 11.69025325594053
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Registration is a transformation estimation problem between two point clouds,
which has a unique and critical role in numerous computer vision applications.
The developments of optimization-based methods and deep learning methods have
improved registration robustness and efficiency. Recently, the combinations of
optimization-based and deep learning methods have further improved performance.
However, the connections between optimization-based and deep learning methods
are still unclear. Moreover, with the recent development of 3D sensors and 3D
reconstruction techniques, a new research direction emerges to align
cross-source point clouds. This survey conducts a comprehensive survey,
including both same-source and cross-source registration methods, and summarize
the connections between optimization-based and deep learning methods, to
provide further research insight. This survey also builds a new benchmark to
evaluate the state-of-the-art registration algorithms in solving cross-source
challenges. Besides, this survey summarizes the benchmark data sets and
discusses point cloud registration applications across various domains.
Finally, this survey proposes potential research directions in this rapidly
growing field.
- Abstract（参考訳）: 登録は2点クラウド間の変換推定問題であり、多くのコンピュータビジョンアプリケーションにおいてユニークかつ重要な役割を担っている。
最適化に基づく手法と深層学習手法の開発により、登録の堅牢性と効率が向上した。
近年,最適化法と深層学習法の組み合わせにより,性能が向上している。
しかし,最適化手法と深層学習手法の関連性はまだ不明である。
さらに,最近の3次元センサと3次元再構成技術の発展により,新たな研究方向が出現し,点間雲の整列が図られた。
本調査では,同ソースとクロスソースの両方の登録方法を含む総合的な調査を行い,最適化手法と深層学習手法の関連性を要約し,さらなる研究知見を提供する。
この調査はまた、クロスソースの課題を解決するための最先端の登録アルゴリズムを評価するための新しいベンチマークを構築している。
さらに、この調査はベンチマークデータセットを要約し、さまざまなドメインにまたがるポイントクラウド登録アプリケーションについても論じている。
最後に,この急成長分野における研究の方向性について考察する。
関連論文リスト
- State-Space Modeling in Long Sequence Processing: A Survey on Recurrence in the Transformer Era [59.279784235147254]
このサーベイは、シーケンシャルなデータ処理の反復モデルに基づく最新のアプローチの詳細な概要を提供する。
新たなイメージは、標準のバックプロパゲーション・オブ・タイムから外れた学習アルゴリズムによって構成される、新しいルートを考える余地があることを示唆している。
論文 参考訳（メタデータ） (2024-06-13T12:51:22Z) - Embedding in Recommender Systems: A Survey [67.67966158305603]
重要な側面は、ユーザやアイテムIDといった高次元の離散的な特徴を低次元連続ベクトルに包含する技法である。
埋め込み技術の適用は複雑なエンティティ関係を捉え、かなりの研究を刺激している。
この調査では、協調フィルタリング、自己教師付き学習、グラフベースのテクニックなどの埋め込み手法を取り上げている。
論文 参考訳（メタデータ） (2023-10-28T06:31:06Z) - A Survey of Label-Efficient Deep Learning for 3D Point Clouds [109.07889215814589]
本稿では,点雲のラベル効率学習に関する包括的調査を行う。
本稿では,ラベルの種類によって提供されるデータ前提条件に基づいて,ラベル効率のよい学習手法を整理する分類法を提案する。
それぞれのアプローチについて、問題設定の概要と、関連する進展と課題を示す広範な文献レビューを提供する。
論文 参考訳（メタデータ） (2023-05-31T12:54:51Z) - Efficient and Deterministic Search Strategy Based on Residual Projections for Point Cloud Registration with Correspondences [18.509532571594995]
現在の3D特徴マッチングアプローチは、通常、多くの外乱対応をもたらし、外乱登録技術は不可欠である。
本稿では,残射影に基づく新しいポーズデカップリング戦略を導入し,生の登録問題を3つのサブプロブレムに分解する。
本手法は,同時ポーズと登録の困難な問題に適応することができる。
論文 参考訳（メタデータ） (2023-05-19T14:52:40Z) - Revisiting the Minimalist Approach to Offline Reinforcement Learning [52.0035089982277]
ReBRACはTD3+BC法上に構築された設計要素を統合する最小限のアルゴリズムである。
D4RLとV-D4RLのベンチマークを用いて,51データセット上のReBRACの評価を行った。
論文 参考訳（メタデータ） (2023-05-16T22:37:01Z) - Point Cloud Registration for LiDAR and Photogrammetric Data: a Critical
Synthesis and Performance Analysis on Classic and Deep Learning Algorithms [7.874736360019618]
本稿では,SOTA(State-of-the-art)ポイントクラウド登録手法について概観する。
本研究では,屋内から衛星まで多様な点雲データを用いて,これらの手法を解析・評価する。
古典的な手作り、ディープラーニングに基づく特徴対応、堅牢なC2C手法を含む10以上の手法が試験された。
論文 参考訳（メタデータ） (2023-02-14T16:52:26Z) - A Survey of Non-Rigid 3D Registration [28.853099966806056]
非剛性登録は、ソース表面とターゲット表面とのアライメントを非剛性的に計算する。
非剛性登録は変形可能な形状の取得に応用され、幅広い用途がある。
論文 参考訳（メタデータ） (2022-03-11T15:54:19Z) - Comprehensive Review of Deep Learning-Based 3D Point Cloud Completion
Processing and Analysis [14.203228394483117]
本研究の目的は、ポイントベース、畳み込みベース、グラフベース、生成モデルベースアプローチなど、様々な手法に関する包括的な調査を行うことである。
このレビューでは、よく使われるデータセットをまとめ、ポイントクラウド補完の応用について説明する。
論文 参考訳（メタデータ） (2022-03-07T11:47:14Z) - Fast and Robust Registration of Partially Overlapping Point Clouds [5.073765501263891]
部分的に重なる点雲のリアルタイム登録は、自動運転車の協調認識に新たな応用をもたらす。
これらのアプリケーションにおける点雲間の相対的な変換は、従来のSLAMやオドメトリーアプリケーションよりも高い。
本稿では,効率の良い特徴エンコーダを用いて対応を学習する部分重複点群に対する新しい登録法を提案する。
論文 参考訳（メタデータ） (2021-12-18T12:39:05Z) - Deep Learning for Community Detection: Progress, Challenges and
Opportunities [79.26787486888549]
この記事では、ディープニューラルネットワークにおける様々なフレームワーク、モデル、アルゴリズムの貢献について要約する。
この記事では、ディープニューラルネットワークにおける様々なフレームワーク、モデル、アルゴリズムの貢献について要約する。
論文 参考訳（メタデータ） (2020-05-17T11:22:11Z) - Learning multiview 3D point cloud registration [74.39499501822682]
本稿では,エンドツーエンドで学習可能なマルチビュー3Dポイントクラウド登録アルゴリズムを提案する。
このアプローチは、エンドツーエンドのトレーニングが可能で、計算コストが小さく、最先端のマージンよりも優れています。
論文 参考訳（メタデータ） (2020-01-15T03:42:14Z)
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。