論文の概要: CORSAIR: Convolutional Object Retrieval and Symmetry-AIded Registration

• arxiv url: http://arxiv.org/abs/2103.06911v1
• Date: Thu, 11 Mar 2021 19:12:48 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-15 13:14:48.487065
• Title: CORSAIR: Convolutional Object Retrieval and Symmetry-AIded Registration
• Title（参考訳）: CORSAIR:Convolutional Object Retrieval and Symmetry-AIded Registration
• Authors: Tianyu Zhao, Qiaojun Feng, Sai Jadhav, Nikolay Atanasov
• Abstract要約: 完全畳み込みオブジェクト検索とシンメトリーエイド登録の開発とアプローチを行います。 提案手法のロバスト性を検証するために,異なるオブジェクトカテゴリの合成データと実世界のデータセットの結果を示す。
• 参考スコア（独自算出の注目度）: 14.79639149658596
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper considers online object-level mapping using partial point-cloud observations obtained online in an unknown environment. We develop and approach for fully Convolutional Object Retrieval and Symmetry-AIded Registration (CORSAIR). Our model extends the Fully Convolutional Geometric Features model to learn a global object-shape embedding in addition to local point-wise features from the point-cloud observations. The global feature is used to retrieve a similar object from a category database, and the local features are used for robust pose registration between the observed and the retrieved object. Our formulation also leverages symmetries, present in the object shapes, to obtain promising local-feature pairs from different symmetry classes for matching. We present results from synthetic and real-world datasets with different object categories to verify the robustness of our method.
• Abstract（参考訳）: 本稿では,未知環境における部分的ポイントクラウド観測を用いたオンラインオブジェクトレベルマッピングについて検討する。 CORSAIR(Convolutional Object Retrieval and Symmetry-AIded Registration)の開発とアプローチを行っています。 私たちのモデルは、完全な畳み込み幾何学的特徴モデルを拡張して、ポイントクラウドの観測からローカルポイントワイズの特徴に加えて、グローバルオブジェクトシェイプの埋め込みを学びます。 グローバル機能はカテゴリデータベースから類似のオブジェクトを検索するために使用され、ローカル機能は観測されたオブジェクトと取得されたオブジェクトの間のロバストなポーズ登録に使用される。 この定式化はまた、物体形状に存在する対称性を利用して、異なる対称性クラスから有望な局所特徴対を得る。 提案手法のロバスト性を検証するために,異なるオブジェクトカテゴリの合成データと実世界のデータセットの結果を示す。

関連論文リスト

• Unsupervised Non-Rigid Point Cloud Matching through Large Vision Models [1.3030624795284795]
  非剛点クラウドマッチングのための学習ベースのフレームワークを提案する。 重要な洞察は、大きな視覚モデル(LVM)から派生した意味的特徴を統合することである。 本フレームワークは,局所的な地形間の自己相似性から生じるあいまいさに対処するために,意味的特徴に含まれる構造情報を効果的に活用する。
  論文  参考訳（メタデータ） (2024-08-16T07:02:19Z)
• KP-RED: Exploiting Semantic Keypoints for Joint 3D Shape Retrieval and Deformation [87.23575166061413]
  KP-RED は KeyPoint 主導の Retrieval and deformation フレームワークである。 オブジェクトスキャンを入力として、最も幾何学的に類似したCADモデルを共同で検索し、変形させる。
  論文  参考訳（メタデータ） (2024-03-15T08:44:56Z)
• ShapeMatcher: Self-Supervised Joint Shape Canonicalization, Segmentation, Retrieval and Deformation [47.94499636697971]
  本稿では,関節形状の正準化,分節化,検索,変形を行うための自己教師型学習フレームワークであるShapeMatcherを提案する。 ShapeMakerの重要な洞察は、標準化、セグメンテーション、検索、変形という4つの高関連プロセスの同時トレーニングである。
  論文  参考訳（メタデータ） (2023-11-18T15:44:57Z)
• Learning to Complete Object Shapes for Object-level Mapping in Dynamic Scenes [30.500198859451434]
  本研究では,動的シーンにおけるオブジェクトの分割,追跡,再構築を同時に行うオブジェクトレベルのマッピングシステムを提案する。 さらに、深度入力とカテゴリレベルの前の形状からの再構成を条件にすることで、完全なジオメトリを予測し、完成させることができる。 実世界の合成シーケンスと実世界のシーケンスの両方で定量的に定性的にテストすることで,その有効性を評価する。
  論文  参考訳（メタデータ） (2022-08-09T22:56:33Z)
• On Hyperbolic Embeddings in 2D Object Detection [76.12912000278322]
  双曲幾何学が対象分類空間の基盤構造に適合するかどうかを考察する。 2段階、キーポイントベース、トランスフォーマーベースオブジェクト検出アーキテクチャに双曲型分類器を組み込む。 分類空間の構造に現れる分類階級階層を観察し、分類誤差を低くし、全体的な対象検出性能を高める。
  論文  参考訳（メタデータ） (2022-03-15T16:43:40Z)
• NeuroMorph: Unsupervised Shape Interpolation and Correspondence in One Go [109.88509362837475]
  入力2つの3次元形状を考慮したニューラルネットワークアーキテクチャであるNeuroMorphを提案する。 NeuroMorphはそれらの間のスムーズかつポイントツーポイント対応を生成する。 異なる対象カテゴリの非等尺性ペアを含む、さまざまな入力形状に対してうまく機能する。
  論文  参考訳（メタデータ） (2021-06-17T12:25:44Z)
• Fully Convolutional Geometric Features for Category-level Object Alignment [12.741811850885309]
  本稿では,同じカテゴリの異なるオブジェクトインスタンスのポーズ登録に焦点を当てる。 提案手法は,同じカテゴリのインスタンスを正規化された標準座標フレームに変換し,計量学習を用いて完全な畳み込み幾何学的特徴を訓練する。
  論文  参考訳（メタデータ） (2021-03-08T00:31:56Z)
• Localization and Mapping using Instance-specific Mesh Models [12.235379548921061]
  本論文では,モノラルカメラを用いて,物体のポーズや形状を含むセマンティックマップの構築に焦点を当てる。 私たちの貢献は,カメラ画像から抽出した意味情報に基づいてオンラインに最適化可能な,オブジェクト形状のインスタンス固有メッシュモデルである。
  論文  参考訳（メタデータ） (2021-03-08T00:24:23Z)
• 3D Object Classification on Partial Point Clouds: A Practical Perspective [91.81377258830703]
  点雲は3次元オブジェクト分類において一般的な形状表現である。 本稿では,任意のポーズの下でオブジェクトインスタンスの部分点雲を分類する実践的な設定を提案する。 本稿では,アライメント分類手法による新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-12-18T04:00:56Z)
• Synthesizing the Unseen for Zero-shot Object Detection [72.38031440014463]
  そこで本研究では,視覚領域における視覚的特徴と視覚的対象の両方を学習するために,視覚的特徴を合成することを提案する。 クラスセマンティックスを用いた新しい生成モデルを用いて特徴を生成するだけでなく,特徴を識別的に分離する。
  論文  参考訳（メタデータ） (2020-10-19T12:36:11Z)

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。