論文の概要: HRegNet: A Hierarchical Network for Large-scale Outdoor LiDAR Point Cloud Registration

• arxiv url: http://arxiv.org/abs/2107.11992v1
• Date: Mon, 26 Jul 2021 07:01:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-27 22:22:37.027960
• Title: HRegNet: A Hierarchical Network for Large-scale Outdoor LiDAR Point Cloud Registration
• Title（参考訳）: HRegNet: 大規模屋外LiDARポイントクラウド登録のための階層的ネットワーク
• Authors: Fan Lu, Guang Chen, Yinlong Liu, Lijun Zhang, Sanqing Qu, Shu Liu, Rongqi Gu
• Abstract要約: 大規模屋外LiDAR点雲登録のための効率的な階層ネットワークHRegNetを提案する。 全体的なフレームワークは、より深い層における信頼性の高い特徴と、より浅い層における正確な位置情報を組み合わせて、堅牢で正確な登録を実現する。
• 参考スコア（独自算出の注目度）: 23.689229288387153
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Point cloud registration is a fundamental problem in 3D computer vision. Outdoor LiDAR point clouds are typically large-scale and complexly distributed, which makes the registration challenging. In this paper, we propose an efficient hierarchical network named HRegNet for large-scale outdoor LiDAR point cloud registration. Instead of using all points in the point clouds, HRegNet performs registration on hierarchically extracted keypoints and descriptors. The overall framework combines the reliable features in deeper layer and the precise position information in shallower layers to achieve robust and precise registration. We present a correspondence network to generate correct and accurate keypoints correspondences. Moreover, bilateral consensus and neighborhood consensus are introduced for keypoints matching and novel similarity features are designed to incorporate them into the correspondence network, which significantly improves the registration performance. Besides, the whole network is also highly efficient since only a small number of keypoints are used for registration. Extensive experiments are conducted on two large-scale outdoor LiDAR point cloud datasets to demonstrate the high accuracy and efficiency of the proposed HRegNet. The project website is https://ispc-group.github.io/hregnet.
• Abstract（参考訳）: ポイントクラウドの登録は、3Dコンピュータビジョンの基本的な問題である。 屋外のLiDARポイントクラウドは通常大規模で複雑に分散しているため、登録は困難である。 本稿では,大規模屋外LiDAR点雲登録のための効率的な階層ネットワークHRegNetを提案する。 ポイントクラウド内のすべてのポイントを使用する代わりに、hregnetは階層的に抽出されたキーポイントとディスクリプタに登録を行う。 全体的なフレームワークは、より深い層の信頼性の高い機能と、より浅い層の正確な位置情報を組み合わせて、堅牢で正確な登録を実現する。 本稿では,正確かつ正確なキーポイント対応を生成するための対応ネットワークを提案する。 さらに、キーポイントマッチングに二元的コンセンサスと近傍コンセンサスを導入し、新たな類似性を対応ネットワークに組み込むことにより、登録性能を大幅に向上させる。 さらに、登録には少数のキーポイントしか使われないので、ネットワーク全体の効率も高い。 提案するhregnetの精度と効率を実証するために,2つの大規模屋外lidarポイントクラウドデータセットを用いた大規模実験を行った。 プロジェクトのwebサイトはhttps://ispc-group.github.io/hregnet。

関連論文リスト

• Zero-Shot Point Cloud Registration [94.39796531154303]
  ZeroRegは、ポイントクラウドデータセットのトレーニングを不要にする最初のゼロショットポイントクラウド登録アプローチである。 ZeroRegの基盤は、キーポイントからポイントクラウドへの画像特徴の新たな移行であり、三次元幾何学的近傍からの情報を集約することによって強化されている。 3DMatch、3DLoMatch、ScanNetなどのベンチマークでは、ZeroRegはそれぞれ84%、46%、75%という印象的なリコール比(RR)を達成した。
  論文  参考訳（メタデータ） (2023-12-05T11:33:16Z)
• HDMNet: A Hierarchical Matching Network with Double Attention for Large-scale Outdoor LiDAR Point Cloud Registration [5.375831989082574]
  大規模屋外LiDAR点雲登録のために,HDMNetという2重注意を持つ新しい階層型ニューラルネットワークを提案する。 高柔軟性で2段階マッチングを実現するために,特徴整合性強化二重ソフトマッチングネットワークを導入した。 より深い層からのスパースマッチング情報をさらに活用するために,我々は新しいトレーニング可能な埋め込みマスクを開発した。
  論文  参考訳（メタデータ） (2023-10-29T02:22:38Z)
• RDMNet: Reliable Dense Matching Based Point Cloud Registration for Autonomous Driving [15.26754768427011]
  本稿では, RDMNet という新しいネットワークを提案する。 提案手法は, 高い一般化能力を有する全試験データセットにおいて, 既存の最先端手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-03-31T14:22:32Z)
• PointAttN: You Only Need Attention for Point Cloud Completion [89.88766317412052]
  ポイント・クラウド・コンプリート(Point cloud completion)とは、部分的な3次元ポイント・クラウドから3次元の形状を完成させることである。 そこで我々は,kNNを除去するために,ポイントクラウドをポイント単位に処理する新しいニューラルネットワークを提案する。 提案するフレームワークであるPointAttNはシンプルで簡潔で効果的であり、3次元形状の構造情報を正確に捉えることができる。
  論文  参考訳（メタデータ） (2022-03-16T09:20:01Z)
• A Conditional Point Diffusion-Refinement Paradigm for 3D Point Cloud Completion [69.32451612060214]
  実スキャンされた3Dポイントクラウドはしばしば不完全であり、下流アプリケーションのために完全なポイントクラウドを復元することが重要である。 ほとんどの既存のポイントクラウド補完方法は、トレーニングにチャンファー距離(CD)損失を使用する。 本稿では,点雲完了のためのPDR(Point Diffusion-Refinement)パラダイムを提案する。
  論文  参考訳（メタデータ） (2021-12-07T06:59:06Z)
• GenReg: Deep Generative Method for Fast Point Cloud Registration [18.66568286698704]
  我々は,クラウド登録をポイントとする深層生成ニューラルネットワークを探索し,新しいデータ駆動型登録アルゴリズムを提案する。 ModelNet40と7Sceneのデータセットを用いた実験により、提案アルゴリズムが最先端の精度と効率を達成することを示した。
  論文  参考訳（メタデータ） (2021-11-23T10:52:09Z)
• FatNet: A Feature-attentive Network for 3D Point Cloud Processing [1.502579291513768]
  本稿では,グローバルポイントベースの機能とエッジベースの機能を組み合わせた,新たな機能指向ニューラルネットワーク層であるfat layerを提案する。 当社のアーキテクチャは,ModelNet40データセットで示すように,ポイントクラウド分類のタスクにおける最先端の成果を達成する。
  論文  参考訳（メタデータ） (2021-04-07T23:13:56Z)
• End-to-End 3D Point Cloud Learning for Registration Task Using Virtual Correspondences [17.70819292121181]
  3Dポイントのクラウド登録は、2つのポイントのクラウド間の厳密な変換を見つけるのが難しいため、依然として非常に難しいトピックである。 本稿では,ポイントクラウド登録問題を解決するために,エンドツーエンドのディープラーニングに基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2020-11-30T06:55:05Z)
• SoftPoolNet: Shape Descriptor for Point Cloud Completion and Classification [93.54286830844134]
  本稿では,点雲に基づく3次元オブジェクトの補完と分類手法を提案する。 デコーダの段階では,グローバルな活性化エントロピーの最大化を目的とした新しい演算子である地域畳み込みを提案する。 我々は,オブジェクトの完成度や分類,最先端の精度の達成など,異なる3次元タスクに対するアプローチを評価する。
  論文  参考訳（メタデータ） (2020-08-17T14:32:35Z)
• GRNet: Gridding Residual Network for Dense Point Cloud Completion [54.43648460932248]
  完全な3Dポイントクラウドを不完全なクラウドから推定することは、多くのビジョンやロボティクスアプリケーションにおいて重要な問題である。 本稿では,ポイントクラウド補完のための新しいGridding Residual Network(GRNet)を提案する。 実験結果から,提案したGRNetはShapeNet,Completion3D,KITTIベンチマークの最先端手法に対して良好に動作することがわかった。
  論文  参考訳（メタデータ） (2020-06-06T02:46:39Z)
• 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。