論文の概要: UnDeepLIO: Unsupervised Deep Lidar-Inertial Odometry
- arxiv url: http://arxiv.org/abs/2109.01533v1
- Date: Fri, 3 Sep 2021 13:56:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-06 13:51:47.804418
- Title: UnDeepLIO: Unsupervised Deep Lidar-Inertial Odometry
- Title（参考訳）: UnDeepLIO:unsupervised Deep Lidar-Inertial Odometry
- Authors: Yiming Tu and Jin Xie
- Abstract要約: 本稿では,IMUを用いた非教師なしライダー計測のための新しい枠組みを設計する。
まず、一対のシアムLSTMを用いて、IMUの線形加速度と角速度から最初のポーズを得る。
初期ポーズでは、現在のフレーム上で剛体変換を行い、それを最終フレームに近づける。
- 参考スコア（独自算出の注目度）: 10.253006754370965
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Extensive research efforts have been dedicated to deep learning based
odometry. Nonetheless, few efforts are made on the unsupervised deep lidar
odometry. In this paper, we design a novel framework for unsupervised lidar
odometry with the IMU, which is never used in other deep methods. First, a pair
of siamese LSTMs are used to obtain the initial pose from the linear
acceleration and angular velocity of IMU. With the initial pose, we perform the
rigid transform on the current frame and align it closer to the last frame.
Then, we extract vertex and normal features from the transformed point clouds
and its normals. Next a two-branches attention modules are proposed to estimate
residual rotation and translation from the extracted vertex and normal
features, respectively. Finally, our model outputs the sum of initial and
residual poses as the final pose. For unsupervised training, we introduce an
unsupervised loss function which is employed on the voxelized point clouds. The
proposed approach is evaluated on the KITTI odometry estimation benchmark and
achieves comparable performances against other state-of-the-art methods.
- Abstract（参考訳）: 深層学習に基づくオドメトリーの研究が盛んに行われている。
それにもかかわらず、教師なしのディープライダー・オドメトリーの研究はほとんど行われていない。
本稿では,他の深層法では使われない imu を用いた教師なしライダーオドメトリのための新しい枠組みを考案する。
まず、一対のシアムLSTMを用いて、IMUの線形加速度と角速度から最初のポーズを得る。
初期ポーズでは、現在のフレーム上で剛体変換を行い、それを最終フレームに近づける。
次に、変換された点雲とその正規数から頂点および正規特徴を抽出する。
次に, 抽出された頂点と正規特徴から残差回転と変換を推定するために, 2分岐アテンションモジュールを提案する。
最後に,最後のポーズとして初期ポーズと残留ポーズの合計を出力する。
教師なしトレーニングでは,voxelized point clouds上で使用される教師なし損失関数を導入する。
提案手法は,KITTIオドメトリ推定ベンチマークを用いて評価し,他の最先端手法と同等の性能を示す。
関連論文リスト
- Unified Gradient-Based Machine Unlearning with Remain Geometry Enhancement [29.675650285351768]
深層ニューラルネットワークのプライバシーと信頼性を高めるために、機械学習(MU)が登場した。
近似MUは大規模モデルの実用的手法である。
本稿では,最新の学習方向を暗黙的に近似する高速スローパラメータ更新手法を提案する。
論文 参考訳（メタデータ） (2024-09-29T15:17:33Z) - Consistency Regularisation for Unsupervised Domain Adaptation in Monocular Depth Estimation [15.285720572043678]
整合性に基づく半教師付き学習問題として,単眼深度推定のための教師なし領域適応を定式化する。
複数の拡張ビューにまたがって一貫性を保ちながら、ソースドメイン上の予測を規則化するペアワイズ損失関数を導入する。
実験では, KITTI と NYUv2 の標準深度推定ベンチマークを用いて,最先端の結果を示す。
論文 参考訳（メタデータ） (2024-05-27T23:32:06Z) - Semi-Supervised Unconstrained Head Pose Estimation in the Wild [60.08319512840091]
本研究では,最初の半教師なしヘッドポーズ推定手法であるSemiUHPEを提案する。
本手法は,野生頭部のアスペクト比不変収穫が,それまでのランドマークベースのアフィンアライメントよりも優れているという観測に基づいている。
実験とアブレーション研究は、SemiUHPEが既存の手法を公開ベンチマークで大きく上回っていることを示している。
論文 参考訳（メタデータ） (2024-04-03T08:01:00Z) - NeuralGF: Unsupervised Point Normal Estimation by Learning Neural
Gradient Function [55.86697795177619]
3次元点雲の正規推定は3次元幾何処理の基本的な課題である。
我々は,ニューラルネットワークが入力点雲に適合することを奨励する,ニューラルグラデーション関数の学習のための新しいパラダイムを導入する。
広範に使用されているベンチマークの優れた結果から,本手法は非指向性および指向性正常推定タスクにおいて,より正確な正規性を学習できることが示されている。
論文 参考訳（メタデータ） (2023-11-01T09:25:29Z) - Vanishing Point Estimation in Uncalibrated Images with Prior Gravity
Direction [82.72686460985297]
我々はマンハッタンのフレームを推定する問題に取り組む。
2つの新しい2行解法が導出され、そのうちの1つは既存の解法に影響を与える特異点に悩まされない。
また、局所最適化の性能を高めるために、任意の行で実行される新しい最小でないメソッドを設計する。
論文 参考訳（メタデータ） (2023-08-21T13:03:25Z) - Provable Phase Retrieval with Mirror Descent [1.1662472705038338]
我々は,その挙動の程度から$n$-mの実ベクトルを復元する位相探索の問題を考察する。
2つの測定値について、n$の値が十分であれば、ほとんどすべての初期化子に対して高い確率で元のベクトルが符号まで回復することを示す。
論文 参考訳（メタデータ） (2022-10-17T16:40:02Z) - Orthogonal Matrix Retrieval with Spatial Consensus for 3D Unknown-View
Tomography [58.60249163402822]
未知視トモグラフィ(UVT)は、未知のランダムな向きで2次元投影から3次元密度マップを再構成する。
提案したOMRはより堅牢で、従来の最先端のOMRアプローチよりも大幅に性能が向上している。
論文 参考訳（メタデータ） (2022-07-06T21:40:59Z) - DM-VIO: Delayed Marginalization Visual-Inertial Odometry [62.746533939737446]
本稿では,遅延残差化とポーズグラフバンドル調整に基づく視覚慣性システムDM-VIOを提案する。
我々は,EuRoC,TUM-VI,および4Seasonsデータセットを用いて,空飛ぶドローン,大規模ハンドヘルド,自動車シナリオからなるシステムの評価を行った。
論文 参考訳（メタデータ） (2022-01-11T18:30:37Z) - A Continuous-Time Mirror Descent Approach to Sparse Phase Retrieval [24.17778927729799]
スパース位相探索に適用した連続時間ミラーを解析する。
これは、測定のみの集合からスパース信号を復元する問題である。
この問題に対して収束解析アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-10-20T10:03:44Z) - Deep Keypoint-Based Camera Pose Estimation with Geometric Constraints [80.60538408386016]
連続するフレームから相対的なカメラのポーズを推定することは、視覚計測の基本的な問題である。
本稿では,検出,特徴抽出,マッチング,外乱除去のための学習可能なモジュールで構成されるエンドツーエンドのトレーニング可能なフレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-29T21:41:31Z) - Towards Better Generalization: Joint Depth-Pose Learning without PoseNet [36.414471128890284]
自己教師型共同深層学習におけるスケール不整合の本質的問題に対処する。
既存の手法の多くは、全ての入力サンプルで一貫した深さとポーズを学習できると仮定している。
本稿では,ネットワーク推定からスケールを明示的に切り離す新しいシステムを提案する。
論文 参考訳（メタデータ） (2020-04-03T00:28:09Z)
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。