論文の概要: SSC: Semantic Scan Context for Large-Scale Place Recognition

• arxiv url: http://arxiv.org/abs/2107.00382v1
• Date: Thu, 1 Jul 2021 11:51:19 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-02 18:49:17.816944
• Title: SSC: Semantic Scan Context for Large-Scale Place Recognition
• Title（参考訳）: SSC:大規模位置認識のための意味的スキャンコンテキスト
• Authors: Lin Li, Xin Kong, Xiangrui Zhao, Tianxin Huang and Yong Liu
• Abstract要約: 我々は、記述子の表現能力を向上させるために、高レベルの機能、すなわち意味論の利用について検討する。 本稿では,シーンをより効果的に表現するための意味情報を探る,新しいグローバルな記述子Semantic Scan Contextを提案する。 我々の手法は最先端の手法よりも大きなマージンで優れている。
• 参考スコア（独自算出の注目度）: 13.228580954956342
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Place recognition gives a SLAM system the ability to correct cumulative errors. Unlike images that contain rich texture features, point clouds are almost pure geometric information which makes place recognition based on point clouds challenging. Existing works usually encode low-level features such as coordinate, normal, reflection intensity, etc., as local or global descriptors to represent scenes. Besides, they often ignore the translation between point clouds when matching descriptors. Different from most existing methods, we explore the use of high-level features, namely semantics, to improve the descriptor's representation ability. Also, when matching descriptors, we try to correct the translation between point clouds to improve accuracy. Concretely, we propose a novel global descriptor, Semantic Scan Context, which explores semantic information to represent scenes more effectively. We also present a two-step global semantic ICP to obtain the 3D pose (x, y, yaw) used to align the point cloud to improve matching performance. Our experiments on the KITTI dataset show that our approach outperforms the state-of-the-art methods with a large margin. Our code is available at: https://github.com/lilin-hitcrt/SSC.
• Abstract（参考訳）: 位置認識はSLAMシステムに累積誤差を修正する機能を与える。 テクスチャが豊富な画像とは異なり、ポイントクラウドはほとんど純粋に幾何学的な情報であり、ポイントクラウドに基づく場所認識が難しい。 既存の作品は通常、座標、正規値、反射強度などの低レベルな特徴を、シーンを表現するローカルまたはグローバルディスクリプタとしてエンコードする。 さらに、ディスクリプタのマッチング時にポイントクラウド間の変換を無視することが多い。 既存の手法と異なり、ディスクリプタの表現能力を改善するために、高レベルな機能、すなわちセマンティクスの使用を探求する。 また,記述子をマッチングする場合,点雲間の変換を補正して精度を向上させる。 具体的には,シーンをより効果的に表現するための意味情報を探索する,新しいグローバル記述子semantic scan contextを提案する。 また,2段階のグローバル・セマンティクスicpを用いて,ポイント・クラウドの調整に用いる3次元ポーズ(x,y,yaw)を取得し,マッチング性能を向上させる。 KITTIデータセットに対する実験により、我々の手法は最先端の手法よりも大きなマージンで優れていることが示された。 私たちのコードは、https://github.com/lilin-hitcrt/sscで利用可能です。

関連論文リスト

• FUSELOC: Fusing Global and Local Descriptors to Disambiguate 2D-3D Matching in Visual Localization [57.59857784298536]
  直接2D-3Dマッチングアルゴリズムでは、メモリが大幅に削減されるが、より大きくあいまいな検索空間のために精度が低下する。 本研究では,2次元3次元探索フレームワーク内の重み付き平均演算子を用いて局所的およびグローバルな記述子を融合させることにより,この曖昧さに対処する。 ローカルのみのシステムの精度を常に改善し、メモリ要求を半減させながら階層的な手法に近い性能を達成する。
  論文  参考訳（メタデータ） (2024-08-21T23:42:16Z)
• Text2Loc: 3D Point Cloud Localization from Natural Language [49.01851743372889]
  我々は,いくつかの言語学的記述に基づく3次元点群局所化の問題に取り組む。 我々は,ポイントとテキスト間の意味的関係を完全に解釈する新しいニューラルネットワークText2Locを導入する。 Text2Locは、KITTI360Poseデータセットの最先端技術に対して最大2倍のローカライゼーション精度を向上する。
  論文  参考訳（メタデータ） (2023-11-27T16:23:01Z)
• CPCM: Contextual Point Cloud Modeling for Weakly-supervised Point Cloud Semantic Segmentation [60.0893353960514]
  疎アノテーションを用いた弱教師付きポイントクラウドセマンティックセマンティックセグメンテーションの課題について検討する。 本研究では,地域マスキング(RegionMask)戦略とコンテキストマスキングトレーニング(CMT)手法の2つの部分からなるコンテキストポイントクラウドモデリング(CPCM)手法を提案する。
  論文  参考訳（メタデータ） (2023-07-19T04:41:18Z)
• Quadric Representations for LiDAR Odometry, Mapping and Localization [93.24140840537912]
  現在のLiDARオードメトリ、マッピング、ローカライズ手法は、3Dシーンのポイントワイズ表現を利用する。 3次元オブジェクトのよりコンパクトな表現である2次元曲面を用いたシーン記述法を提案する。 提案手法は低レイテンシとメモリの有効性を維持しつつ、競争力があり、しかも精度も優れている。
  論文  参考訳（メタデータ） (2023-04-27T13:52:01Z)
• Learning a Task-specific Descriptor for Robust Matching of 3D Point Clouds [40.81429160296275]
  我々は、干渉下での正しい点対応を一貫して記述するために、頑健なタスク固有の特徴記述子を学習する。 EDFNetは2つの側面から発展し,まず,その反復的局所構造を利用して対応性を向上させる。
  論文  参考訳（メタデータ） (2022-10-26T17:57:23Z)
• DSC: Deep Scan Context Descriptor for Large-Scale Place Recognition [4.878199122477076]
  LiDARに基づく位置認識は、ループ閉鎖検出とグローバル再局在の両方において必須かつ困難な課題である。 本稿では,ポイントクラウドのセグメント間の関係をキャプチャする,汎用的で差別的なグローバル記述子であるDeep Scan Context (DSC)を提案する。
  論文  参考訳（メタデータ） (2021-11-27T07:31:32Z)
• 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 Place Recognition using an Imaging Lidar [45.37172889338924]
  本研究では,画像lidarを用いたロバストなリアルタイム位置認識手法を提案する。 本手法は真不変であり,逆再訪と逆逆再訪に対処できる。
  論文  参考訳（メタデータ） (2021-03-03T01:08:31Z)
• Semantic Graph Based Place Recognition for 3D Point Clouds [22.608115489674653]
  本稿では,位置認識のためのセマンティックグラフに基づく新しいアプローチを提案する。 まず、ポイントクラウドシーンのための新しいセマンティックグラフ表現を提案する。 次に、その類似性を計算するために、高速で効果的なグラフ類似性ネットワークを設計する。
  論文  参考訳（メタデータ） (2020-08-26T09:27:26Z)
• 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)

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。