論文の概要: Generalisable and distinctive 3D local deep descriptors for point cloud registration

• arxiv url: http://arxiv.org/abs/2105.10382v1
• Date: Fri, 21 May 2021 14:47:55 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-25 06:59:47.245326
• Title: Generalisable and distinctive 3D local deep descriptors for point cloud registration
• Title（参考訳）: 点雲登録のための汎用および特異な3次元局所深部記述子
• Authors: Fabio Poiesi and Davide Boscaini
• Abstract要約: 一般化可能かつ独特な3次元局所記述子を学習するための,単純だが効果的な方法を提案する。 点雲パッチは抽出され、その局所参照フレームに対して正準化され、スケールおよび回転不変のコンパクトディスクリプタに符号化される。 我々の記述子は、局所的およびランダムにサンプリングされた点からセンサモードを効果的に一般化することができる。
• 参考スコア（独自算出の注目度）: 4.619541348328937
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: An effective 3D descriptor should be invariant to different geometric transformations, such as scale and rotation, repeatable in the case of occlusions and clutter, and generalisable in different contexts when data is captured with different sensors. We present a simple but yet effective method to learn generalisable and distinctive 3D local descriptors that can be used to register point clouds captured in different contexts with different sensors. Point cloud patches are extracted, canonicalised with respect to their local reference frame, and encoded into scale and rotation-invariant compact descriptors by a point permutation-invariant deep neural network. Our descriptors can effectively generalise across sensor modalities from locally and randomly sampled points. We evaluate and compare our descriptors with alternative handcrafted and deep learning-based descriptors on several indoor and outdoor datasets reconstructed using both RGBD sensors and laser scanners. Our descriptors outperform most recent descriptors by a large margin in terms of generalisation, and become the state of the art also in benchmarks where training and testing are performed in the same scenarios.
• Abstract（参考訳）: 有効3Dディスクリプタは、スケールや回転などの異なる幾何学変換に不変であり、オクルージョンやクラッタの場合は繰り返し可能であり、異なるセンサーでデータがキャプチャされた場合、異なるコンテキストで一般化可能である。 本稿では,異なるセンサを用いて異なるコンテキストでキャプチャされた点雲を登録するために使用できる,汎用的で識別可能な3dローカルディスクリプタを学習するための単純かつ効果的な手法を提案する。 点雲パッチを抽出し、局所参照フレームに対して正準化し、点置換不変深層ニューラルネットワークによりスケールおよび回転不変コンパクトディスクリプタに符号化する。 我々の記述子は、局所的およびランダムにサンプリングされた点からのセンサモダリティを効率的に一般化することができる。 rgbdセンサーとレーザースキャナを用いて再構成したいくつかの屋内および屋外データセット上で,手作りおよび深層学習に基づく記述子の評価と比較を行った。 当社のディスクリプタは、最も最近のディスクリプタを一般化の観点から大きく上回っており、同じシナリオでトレーニングとテストが実行されるベンチマークでも最先端になっています。

関連論文リスト

• RIGA: Rotation-Invariant and Globally-Aware Descriptors for Point Cloud Registration [44.23935553097983]
  RIGAを導入して,設計とグローバルアウェアによる回転不変な記述子を学習する。 RIGAはModelNet40の相対回転誤差で最先端の手法を8度の差で上回り、3DLoMatchでは少なくとも5ポイントのFeature Matching Recallを改善する。
  論文  参考訳（メタデータ） (2022-09-27T08:45:56Z)
• 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)
• Robust Kernel-based Feature Representation for 3D Point Cloud Analysis via Circular Graph Convolutional Network [2.42919716430661]
  本稿では,回転,密度,スケール変動に堅牢な新しい局所特徴記述法を提案する。 局所記述子の表現を改善するために,グローバルアグリゲーション手法を提案する。 本手法は最先端手法と比較して優れた性能を示す。
  論文  参考訳（メタデータ） (2020-12-22T18:02:57Z)
• SpinNet: Learning a General Surface Descriptor for 3D Point Cloud Registration [57.28608414782315]
  ローカルな特徴を抽出するために、SpinNetと呼ばれる新しい、概念的にはシンプルで、ニューラルなアーキテクチャを導入する。 屋内と屋外の両方の実験では、SpinNetが既存の最先端技術より優れていることが示されている。
  論文  参考訳（メタデータ） (2020-11-24T15:00:56Z)
• Distinctive 3D local deep descriptors [2.512827436728378]
  ポイントクラウドパッチは抽出され、推定されたローカル参照フレームに対して正準化され、PointNetベースのディープニューラルネットワークによって符号化される。 我々は、異なるセンサを用いて再構成された点雲からなる複数のデータセットにおいて、DIPを、別の手作り、ディープディスクリプタと比較し、比較した。
  論文  参考訳（メタデータ） (2020-09-01T06:25:06Z)
• DH3D: Deep Hierarchical 3D Descriptors for Robust Large-Scale 6DoF Relocalization [56.15308829924527]
  生の3D点から直接3次元特徴の検出と記述を共同で学習するシームズネットワークを提案する。 3次元キーポイントを検出するために,局所的な記述子の識別性を教師なしで予測する。 各種ベンチマーク実験により,本手法はグローバルポイントクラウド検索とローカルポイントクラウド登録の両面で競合する結果が得られた。
  論文  参考訳（メタデータ） (2020-07-17T20:21:22Z)
• A Rotation-Invariant Framework for Deep Point Cloud Analysis [132.91915346157018]
  ネットワーク入力時に一般的な3次元カルト座標を置き換えるために,新しい低レベル純粋回転不変表現を導入する。 また,これらの表現を特徴に組み込むネットワークアーキテクチャを提案し,点とその近傍の局所的関係とグローバルな形状構造を符号化する。 本手法は, 形状分類, 部分分割, 形状検索を含む多点雲解析タスクにおいて評価する。
  論文  参考訳（メタデータ） (2020-03-16T14:04:45Z)
• End-to-End Learning Local Multi-view Descriptors for 3D Point Clouds [67.27510166559563]
  3Dポイントクラウドのためのローカルなマルチビュー記述子を学習するためのエンドツーエンドフレームワークを提案する。 本手法は,既存の局所記述子を定量的かつ定性的に上回る。
  論文  参考訳（メタデータ） (2020-03-12T15:41:34Z)
• MGCN: Descriptor Learning using Multiscale GCNs [50.14172863706108]
  グラフウェーブレットを用いて表面上のディリクレエネルギーを分解する新しい非学習的特徴を示す。 また,新たなグラフ畳み込みネットワーク (MGCN) を提案し,非学習的特徴をより差別的な記述子に変換する。
  論文  参考訳（メタデータ） (2020-01-28T17:25:14Z)

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。