論文の概要: Point Cloud Registration using Representative Overlapping Points
- arxiv url: http://arxiv.org/abs/2107.02583v1
- Date: Tue, 6 Jul 2021 12:52:22 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-07 20:11:15.787025
- Title: Point Cloud Registration using Representative Overlapping Points
- Title（参考訳）: 代表的重なり点を用いた点雲登録
- Authors: Lifa Zhu, Dongrui Liu, Changwei Lin, Rui Yan, Francisco
G\'omez-Fern\'andez, Ninghua Yang, Ziyong Feng
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 10.843159482657303
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: 3D point cloud registration is a fundamental task in robotics and computer
vision. Recently, many learning-based point cloud registration methods based on
correspondences have emerged. However, these methods heavily rely on such
correspondences and meet great challenges with partial overlap. In this paper,
we propose ROPNet, a new deep learning model using Representative Overlapping
Points with discriminative features for registration that transforms
partial-to-partial registration into partial-to-complete registration.
Specifically, we propose a context-guided module which uses an encoder to
extract global features for predicting point overlap score. To better find
representative overlapping points, we use the extracted global features for
coarse alignment. Then, we introduce a Transformer to enrich point features and
remove non-representative points based on point overlap score and feature
matching. A similarity matrix is built in a partial-to-complete mode, and
finally, weighted SVD is adopted to estimate a transformation matrix. Extensive
experiments over ModelNet40 using noisy and partially overlapping point clouds
show that the proposed method outperforms traditional and learning-based
methods, achieving state-of-the-art performance. The code is available at
https://github.com/zhulf0804/ROPNet.
- Abstract（参考訳）: 3dポイントクラウド登録は、ロボティクスとコンピュータビジョンの基本的なタスクである。
近年,対応に基づく学習ベースのポイントクラウド登録手法が数多く登場している。
しかし、これらの手法はそのような対応に大きく依存しており、部分的な重複を伴う大きな課題に対処する。
本稿では,部分的～部分的登録を部分的～完全登録に変換する識別特徴を持つ代表重複点を用いた新しい深層学習モデル 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。
重なり合う点をよりよく見つけるために、抽出したグローバルな特徴を粗いアライメントに利用する。
次に,点特徴を豊かにし,点重なりスコアと特徴マッチングに基づく非表現点を除去するトランスを提案する。
類似度行列は部分完全モードで構築され、最後に重み付けされたSVDを用いて変換行列を推定する。
ノイズと部分重複点クラウドを用いたmodelnet40の広範な実験により、提案手法が従来の学習ベースの手法よりも優れており、最先端のパフォーマンスを実現していることが示された。
コードはhttps://github.com/zhulf0804/ROPNetで公開されている。
関連論文リスト
- PosDiffNet: Positional Neural Diffusion for Point Cloud Registration in
a Large Field of View with Perturbations [27.45001809414096]
PosDiffNetは、3Dコンピュータビジョンにおけるポイントクラウド登録のモデルである。
ベルトラミフローに基づくグラフニューラル偏微分方程式(PDE)を用いて高次元特徴を求める。
我々は、点雲間のアライメントを容易にするために、高特徴類似度スコアから導かれる多レベル対応を用いる。
我々はPosDiffNetを複数の3Dポイントクラウドデータセット上で評価し、摂動を伴う広い視野でのポイントクラウド登録において、最先端(SOTA)性能を達成することを検証した。
論文 参考訳（メタデータ） (2024-01-06T08:58:15Z) - Retro-FPN: Retrospective Feature Pyramid Network for Point Cloud
Semantic Segmentation [65.78483246139888]
本稿では,各点特徴量の予測を明示的かつふりかえり的な精錬プロセスとしてモデル化するRetro-FPNを提案する。
その重要な斬新さは、前層から意味コンテキストを要約するレトロ・トランスフォーマーである。
Retro-FPNは最先端のバックボーンよりも性能が大幅に向上することを示す。
論文 参考訳（メタデータ） (2023-08-18T05:28:25Z) - 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) - REGTR: End-to-end Point Cloud Correspondences with Transformers [79.52112840465558]
我々は、注意機構が明示的な特徴マッチングとRANSACの役割を置き換えることができると推測する。
本稿では,最終文集合を直接予測するエンドツーエンドフレームワークを提案する。
提案手法は3DMatchおよびModelNetベンチマークにおける最先端性能を実現する。
論文 参考訳（メタデータ） (2022-03-28T06:01:00Z) - Robust Partial-to-Partial Point Cloud Registration in a Full Range [12.86951061306046]
本稿では,全方向1の部分対部分点クラウド登録(PPR)のためのポーズ不変対応を推定するグラフマッチング・コンセンサス・ネットワーク(GMCNet)を提案する。
GMCNetは、個別に各点クラウドのポイント記述子を、クロスコンテクスト情報や、トレーニングのための接地真理対応を使わずに符号化する。
論文 参考訳（メタデータ） (2021-11-30T17:56:24Z) - 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) - Learning Semantic Segmentation of Large-Scale Point Clouds with Random
Sampling [52.464516118826765]
我々はRandLA-Netを紹介した。RandLA-Netは、大規模ポイントクラウドのポイントごとの意味を推論する、効率的で軽量なニューラルネットワークアーキテクチャである。
我々のアプローチの鍵は、より複雑な点選択アプローチではなく、ランダムな点サンプリングを使用することである。
我々のRandLA-Netは、既存のアプローチよりも最大200倍高速な1回のパスで100万ポイントを処理できます。
論文 参考訳（メタデータ） (2021-07-06T05:08:34Z) - Robust Point Cloud Registration Framework Based on Deep Graph Matching [5.865029600972316]
3Dポイントクラウド登録は、コンピュータビジョンとロボティクスにおける基本的な問題です。
点群登録のための深層グラフマッチングに基づく新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2021-03-07T04:20:29Z) - OMNet: Learning Overlapping Mask for Partial-to-Partial Point Cloud
Registration [31.108056345511976]
OMNetは、部分から部分へのポイントクラウド登録のためのグローバル機能ベースの反復ネットワークです。
マスクを粗雑に学習し,重複しない領域を拒絶し,部分から部分への登録を同一形状の登録に変換する。
論文 参考訳（メタデータ） (2021-03-01T11:59:59Z) - 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) - 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)
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。