論文の概要: ICOS: Efficient and Highly Robust Point Cloud Registration with Correspondences

• arxiv url: http://arxiv.org/abs/2104.14763v1
• Date: Fri, 30 Apr 2021 05:41:53 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-04 00:30:29.414551
• Title: ICOS: Efficient and Highly Robust Point Cloud Registration with Correspondences
• Title（参考訳）: ICOS: 応答を伴う効率的かつ高ロバストなポイントクラウド登録
• Authors: Lei Sun
• Abstract要約: ポイントクラウド登録は、ロボット工学とコンピュータビジョンの基本的な問題である。 本論文では,通信型ポイントクラウド登録問題に対する,新規で効率的かつ堅牢なソリューションであるICOSについて述べる。
• 参考スコア（独自算出の注目度）: 6.8858952804978335
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Point Cloud Registration is a fundamental problem in robotics and computer vision. Due to the limited accuracy in the matching process of 3D keypoints, the presence of outliers, probably in very large numbers, is common in many real-world applications. In this paper, we present ICOS (Inlier searching using COmpatible Structures), a novel, efficient and highly robust solution for the correspondence-based point cloud registration problem. Specifically, we (i) propose and construct a series of compatible structures for the registration problem where various invariants can be established, and (ii) design two time-efficient frameworks, one for known-scale registration and the other for unknown-scale registration, to filter out outliers and seek inliers from the invariant-constrained random sampling built upon the compatible structures. In this manner, even with extreme outlier ratios, inliers can be detected and collected for solving the optimal transformation, leading to our robust registration solver ICOS. Through plentiful experiments over standard real datasets, we demonstrate that: (i) our solver ICOS is fast, accurate, robust against as many as 99% outliers with nearly 100% recall ratio of inliers whether the scale is known or unknown, outperforming other state-of-the-art methods, (ii) ICOS is practical for use in real-world applications.
• Abstract（参考訳）: ポイントクラウド登録は、ロボット工学とコンピュータビジョンの基本的な問題である。 3Dキーポイントのマッチングプロセスの精度が限られているため、多くの現実世界のアプリケーションでは、おそらく非常に多数の外周の存在が一般的である。 本稿では,対応型ポイントクラウド登録問題に対する新しい,効率的かつ高ロバストな解であるicos(inlier search using compatible structures)を提案する。 具体的には、(i)様々な不変性が確立可能な登録問題に対して、一連の互換性のある構造を提案・構築し、(ii) 既知のスケール登録用と未知スケール登録用の2つの時間効率なフレームワークをデザインし、その適合構造上に構築された不変制約付きランダムサンプリングから外れ値をフィルタし、イリアーを求める。 このように、極端な外れ値比であっても、最適な変換を解くために、イリヤを検出して収集することができ、堅牢な登録解決器ICOSに繋がる。 i) ICOSは高速で正確で、99%のアウトレーヤに対して堅牢で、そのスケールが知られているか未知であるかに関わらず、インレーヤのリコール比率が100%近く、他の最先端の手法よりも優れており、(ii) ICOSは現実世界のアプリケーションでの使用には実用的です。

関連論文リスト

• Global Point Cloud Registration Network for Large Transformations [46.7301374772952]
  ローカルトランスフォーメーションの優れたパフォーマンスを維持しつつ,大規模なトランスフォーメーションが発生するケースに直面するアーキテクチャであるReLaToを提案する。 本稿では,ソフトマックスプーリング層を用いて2つの点集合間の相互一致関係を抽出し,最も確実な一致を抽出する。 そして、得られた一致と潜伏特徴の両方に目標誘導復調ステップを適用し、最終的な微妙な登録を推定する。
  論文  参考訳（メタデータ） (2024-03-26T18:52:48Z)
• RegFormer: An Efficient Projection-Aware Transformer Network for Large-Scale Point Cloud Registration [73.69415797389195]
  本稿では,大規模クラウドアライメントのためのエンドツーエンドトランス (RegFormer) ネットワークを提案する。 具体的には、プロジェクション対応階層変換器を提案し、長距離依存を捕捉し、外乱をフィルタする。 我々の変圧器は線形複雑であり、大規模シーンでも高い効率が保証される。
  論文  参考訳（メタデータ） (2023-03-22T08:47:37Z)
• Practical, Fast and Robust Point Cloud Registration for 3D Scene Stitching and Object Localization [6.8858952804978335]
  3Dポイントクラウドの登録は、リモートセンシング、フォトグラメトリー、ロボティクス、幾何学的コンピュータビジョンの基本的な問題である。 極端外れ率のポイントクラウド登録問題に対して,VOCRAという新しい高速かつ高堅牢なソリューションを提案する。 我々の解法VOCRAは99%以上の外れ値に対して堅牢であり、最先端の競合よりも時間効率が高いことを示す。
  論文  参考訳（メタデータ） (2021-11-08T01:49:04Z)
• TriVoC: Efficient Voting-based Consensus Maximization for Robust Point Cloud Registration with Extreme Outlier Ratios [6.8858952804978335]
  本稿では, 頑健な登録問題の解法として, TriVoC という新しい, 高速, 決定論的, 確固とした解法を提案する。 TriVoCは最大99%の外れ値に対して堅牢であり、非常に正確で、極端な外れ値比でさえも時間効率が良く、また現実世界のアプリケーションにも実用的であることを示す。
  論文  参考訳（メタデータ） (2021-11-01T02:03:40Z)
• DANIEL: A Fast and Robust Consensus Maximization Method for Point Cloud Registration with High Outlier Ratios [6.8858952804978335]
  対応ベースのポイントクラウドの登録は、コンピュータビジョン、ロボティクスの知覚、フォトグラム、リモートセンシングの基盤となっている。 現在の3Dキーポイントマッチング技術は、おそらく非常に多くの場合において、外れ値が得られる傾向にある。 本稿では, DANIEL という新しい時間効率RANSAC型コンセンサス解法を提案する。
  論文  参考訳（メタデータ） (2021-10-11T08:27:00Z)
• Efficient Person Search: An Anchor-Free Approach [86.45858994806471]
  パーソンサーチは、クエリーの人物を、リアルで切り刻まれていない画像から、同時にローカライズし、識別することを目的としている。 この目標を達成するために、最先端モデルは通常、Faster R-CNNのような2段階検出器にre-idブランチを追加する。 本研究では,この課題に対処するためのアンカーフリーな手法を提案する。
  論文  参考訳（メタデータ） (2021-09-01T07:01:33Z)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)
• IRON: Invariant-based Highly Robust Point Cloud Registration [6.8858952804978335]
  本稿では,多量の外れ値を持つ点クラウド登録のための非最小かつ高ロバストな解を提案する。 IRONは効率が高く,精度が高く,99%のアウトレーヤに対して堅牢であることを示す。
  論文  参考訳（メタデータ） (2021-03-07T13:46:56Z)
• On Efficient and Robust Metrics for RANSAC Hypotheses and 3D Rigid Registration [51.64236850960365]
  本稿では, 高精度な3次元剛性登録を実現するために, RANSAC仮説の効率的かつ堅牢な評価指標の開発に焦点をあてる。 Inlierとoutlierのコントリビューションを分析し、RANSAC仮説の異なる設計モチベーションを持つ、いくつかの効率的で堅牢なメトリクスを提案する。
  論文  参考訳（メタデータ） (2020-11-10T02:22:45Z)
• 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)

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。