論文の概要: R-PointHop: A Green, Accurate and Unsupervised Point Cloud Registration Method

• arxiv url: http://arxiv.org/abs/2103.08129v1
• Date: Mon, 15 Mar 2021 04:12:44 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-17 01:27:12.849549
• Title: R-PointHop: A Green, Accurate and Unsupervised Point Cloud Registration Method
• Title（参考訳）: R-PointHop: グリーンで正確で教師なしのポイントクラウド登録方法
• Authors: Pranav Kadam, Min Zhang, Shan Liu, C.-C. Jay Kuo
• Abstract要約: 本研究では、R-PointHopと呼ばれる監視されていない3Dポイントクラウド登録手法を提案する。 実験はModelNet40とStanford Bunnyデータセット上で行われ、3Dポイントクラウド登録タスクにおけるR-PointHopの有効性を示す。
• 参考スコア（独自算出の注目度）: 64.86292006892093
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Inspired by the recent PointHop classification method, an unsupervised 3D point cloud registration method, called R-PointHop, is proposed in this work. R-PointHop first determines a local reference frame (LRF) for every point using its nearest neighbors and finds its local attributes. Next, R-PointHop obtains local-to-global hierarchical features by point downsampling, neighborhood expansion, attribute construction and dimensionality reduction steps. Thus, we can build the correspondence of points in the hierarchical feature space using the nearest neighbor rule. Afterwards, a subset of salient points of good correspondence is selected to estimate the 3D transformation. The use of LRF allows for hierarchical features of points to be invariant with respect to rotation and translation, thus making R-PointHop more robust in building point correspondence even when rotation angles are large. Experiments are conducted on the ModelNet40 and the Stanford Bunny dataset, which demonstrate the effectiveness of R-PointHop on the 3D point cloud registration task. R-PointHop is a green and accurate solution since its model size and training time are smaller than those of deep learning methods by an order of magnitude while its registration errors are smaller. Our codes are available on GitHub.
• Abstract（参考訳）: 近年のPointHop分類法に触発されて,R-PointHopと呼ばれる教師なしの3Dポイントクラウド登録法が提案されている。 R-PointHopは、まず最も近い隣人を使用して各点のローカル参照フレーム(LRF)を決定し、そのローカル属性を見つけます。 次に、R-PointHopは点ダウンサンプリング、近傍展開、属性構成、次元減少ステップによって局所-グローバル階層的特徴を得る。 したがって、最寄りの規則を用いて階層的特徴空間内の点の対応を構築することができる。 その後、良好な対応点のサブセットを選択し、3D変換を推定する。 lrfを使用することで、回転と変換に関して点の階層的特徴が不変になり、回転角が大きい場合でもr-pointhopはビルディングポイント対応においてより頑健になる。 実験はModelNet40とStanford Bunnyデータセット上で行われ、3Dポイントクラウド登録タスクにおけるR-PointHopの有効性を示す。 R-PointHopは、モデルのサイズとトレーニング時間は、登録エラーが小さい間、深層学習方法よりも桁違いに小さいため、緑で正確なソリューションです。 コードはGitHubで入手できます。

関連論文リスト

• A Strong Baseline for Point Cloud Registration via Direct Superpoints Matching [7.308509114539376]
  本稿では,グローバルなマッチング方式でスーパーポイントの対応を見つけるための,シンプルで効果的なベースラインを提案する。 我々の単純で効果的なベースラインは、3つのデータセットの最先端メソッドと同等かそれ以上の結果を示している。
  論文  参考訳（メタデータ） (2023-07-03T21:33:40Z)
• PointFlowHop: Green and Interpretable Scene Flow Estimation from Consecutive Point Clouds [49.7285297470392]
  本研究では,PointFlowHopと呼ばれる3次元シーンフローの効率的な推定法を提案する。 ポイントフローホップは2つの連続する点雲を取り、第1点雲の各点の3次元フローベクトルを決定する。 シーンフロー推定タスクを,エゴモーション補償,オブジェクトアソシエーション,オブジェクトワイドモーション推定など,一連のサブタスクに分解する。
  論文  参考訳（メタデータ） (2023-02-27T23:06:01Z)
• S3I-PointHop: SO(3)-Invariant PointHop for 3D Point Cloud Classification [49.16961132283838]
  この研究は、PointHopと呼ばれる数学的に透明なポイントクラウド分類手法に焦点を当てている。 ポーズ変動による失敗の原因を解析し、ポーズ依存加群を回転不変加群に置き換えることで問題を解決する。 ModelNet40データセットの実験では、従来のPointHopのようなメソッドよりもS3I-PointHopの方が優れていることが示されている。
  論文  参考訳（メタデータ） (2023-02-22T17:23:33Z)
• Object Detection in 3D Point Clouds via Local Correlation-Aware Point Embedding [0.0]
  Frustum PointNet(F-PointNet)に基づく点クラウドデータにおける3次元物体検出のための改良されたアプローチを提案する。 提案手法は,従来のF-PointNetと比較し,計算点の特徴のある点近傍について検討する。
  論文  参考訳（メタデータ） (2023-01-11T18:14:47Z)
• UPDesc: Unsupervised Point Descriptor Learning for Robust Registration [54.95201961399334]
  UPDescは、ロバストポイントクラウド登録のためのポイント記述子を学習するための教師なしの方法である。 学習した記述子は既存の教師なし手法よりも優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2021-08-05T17:11:08Z)
• Point Cloud Registration using Representative Overlapping Points [10.843159482657303]
  本稿では,登録のための識別機能を備えた代表オーバーラップポイントを用いた新しいディープラーニングモデル ROPNetを提案する。 具体的には,エンコーダを用いてポイントオーバーラップスコアの予測にグローバルな特徴を抽出するコンテキスト誘導モジュールを提案する。 ノイズと部分重なり合う点雲を用いたModelNet40上での実験により,提案手法が従来の学習手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2021-07-06T12:52:22Z)
• RPM-Net: Robust Point Matching using Learned Features [79.52112840465558]
  RPM-Netは、より敏感で、より堅牢なディープラーニングベースのアプローチである。 既存の方法とは異なり、我々のRPM-Netは、部分的な可視性を備えた対応や点雲の欠如を処理します。
  論文  参考訳（メタデータ） (2020-03-30T13:45:27Z)
• PointHop++: A Lightweight Learning Model on Point Sets for 3D Classification [55.887502438160304]
  ポイントホップ法は、Zhangらによって、教師なし特徴抽出を伴う3Dポイントクラウド分類のために提案された。 1)モデルパラメータ数の観点からモデルの複雑さを減らし,2)クロスエントロピー基準に基づいて自動的に識別特徴を順序付けする。 ModelNet40ベンチマークデータセットで実施した実験により、PointHop++法がディープニューラルネットワーク(DNN)ソリューションと同等に動作し、他の教師なし特徴抽出法を上回る性能を示す。
  論文  参考訳（メタデータ） (2020-02-09T04:49:32Z)

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。