論文の概要: S3LAM: Structured Scene SLAM

• arxiv url: http://arxiv.org/abs/2109.07339v1
• Date: Wed, 15 Sep 2021 14:47:42 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-16 14:52:11.675245
• Title: S3LAM: Structured Scene SLAM
• Title（参考訳）: S3LAM:構造化シーンSLAM
• Authors: Mathieu Gonzalez, Eric Marchand, Amine Kacete and J\'er\^ome Royan
• Abstract要約: シーン内のオブジェクトと構造のセマンティックセグメンテーションを利用するSLAMシステムを提案する。 i)ORB-SLAM2に基づく新しいSLAMシステムは、シーン内のオブジェクトのインスタンスや構造に対応するポイントからなるセマンティックマップを作成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a new general SLAM system that uses the semantic segmentation of objects and structures in the scene. Semantic information is relevant as it contains high level information which may make SLAM more accurate and robust. Our contribution is threefold: i) A new SLAM system based on ORB-SLAM2 that creates a semantic map made of clusters of points corresponding to objects instances and structures in the scene. ii) A modification of the classical Bundle Adjustment formulation to constrain each cluster using geometrical priors, which improves both camera localization and reconstruction and enables a better understanding of the scene. iii) A new Bundle Adjustment formulation at the level of clusters to improve the convergence of classical Bundle Adjustment. We evaluate our approach on several sequences from a public dataset and show that, with respect to ORB-SLAM2 it improves camera pose estimation.
• Abstract（参考訳）: 本稿では,シーン内のオブジェクトと構造の意味セグメンテーションを用いた新しい汎用slamシステムを提案する。 セマンティック情報はSLAMをより正確で堅牢な高レベル情報を含むため、関連性が高い。 私たちの貢献は3倍です i)ORB-SLAM2に基づく新しいSLAMシステムにより、シーン内のオブジェクトのインスタンスや構造に対応する点の集合からなる意味マップを作成する。 二 幾何学的前処理を用いて各クラスターを拘束するための古典的な束調整定式化の修正により、カメラの局在化及び再構成が改善され、シーンをよりよく理解することができる。 三 古典的バンドル調整の収束を改善するため、クラスターのレベルでの新しいバンドル調整の定式化 我々は、公開データセットから複数のシーケンスに対するアプローチを評価し、orb-slam2に関して、カメラのポーズ推定を改善することを示す。

関連論文リスト

• A3S: A General Active Clustering Method with Pairwise Constraints [66.74627463101837]
  A3Sは、適応クラスタリングアルゴリズムによって得られる初期クラスタ結果に対して、戦略的にアクティブクラスタリングを調整する。 さまざまな実世界のデータセットにわたる広範な実験において、A3Sは、人間のクエリを著しく少なくして、望ましい結果を達成する。
  論文  参考訳（メタデータ） (2024-07-14T13:37:03Z)
• CP-SLAM: Collaborative Neural Point-based SLAM System [54.916578456416204]
  本稿では,RGB-D画像シーケンスを用いた協調型暗黙的ニューラルローカライゼーションとマッピング(SLAM)システムを提案する。 これらすべてのモジュールを統一的なフレームワークで実現するために,ニューラルポイントに基づく新しい3次元シーン表現を提案する。 協調的な暗黙的SLAMに対して,一貫性と協調性を改善するために,分散分散型学習戦略を提案する。
  論文  参考訳（メタデータ） (2023-11-14T09:17:15Z)
• NeuSE: Neural SE(3)-Equivariant Embedding for Consistent Spatial Understanding with Objects [53.111397800478294]
  本稿では,ニューラルSE(3)-等価なオブジェクトの埋め込みであるNeuSEを紹介する。 NeuSE は完全なオブジェクトモデルのためのコンパクトな点クラウドサロゲートとして機能する。 提案するSLAMパラダイムは,物体形状やポーズ特性にNeuSEを用いて,通常のSLAMシステムと独立に,あるいは連携して動作することができる。
  論文  参考訳（メタデータ） (2023-03-13T17:30:43Z)
• Structure PLP-SLAM: Efficient Sparse Mapping and Localization using Point, Line and Plane for Monocular, RGB-D and Stereo Cameras [13.693353009049773]
  本稿では,PPRモジュールを組み込んだ高機能カメラローカライゼーションを実現するために,ポイント・ライン・クラウドを用いた視界SLAMシステムを提案する。 再構成された線や平面上での複数の実行時最適化を提案することにより,幾何的プリミティブをスケールのあいまいさで再構築するという課題に対処する。 その結果,提案したSLAMはセマンティック機能をしっかりと組み込んで,トラッキングとバックエンドの最適化を強化していることがわかった。
  論文  参考訳（メタデータ） (2022-07-13T09:05:35Z)
• NICE-SLAM: Neural Implicit Scalable Encoding for SLAM [112.6093688226293]
  NICE-SLAMは階層的なシーン表現を導入することでマルチレベルローカル情報を組み込んだ高密度SLAMシステムである。 最近の暗黙的SLAMシステムと比較して、私たちのアプローチはよりスケーラブルで効率的で堅牢です。
  論文  参考訳（メタデータ） (2021-12-22T18:45:44Z)
• DeepPanoContext: Panoramic 3D Scene Understanding with Holistic Scene Context Graph and Relation-based Optimization [66.25948693095604]
  本研究では,パノラマ画像から各オブジェクトの3次元空間配置と形状,ポーズ,位置,意味的カテゴリを復元するパノラマ3次元シーン理解手法を提案する。 実験により, この手法は, パノラマシーン理解において, 幾何学的精度とオブジェクト配置の両方の観点から, 既存の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2021-08-24T13:55:29Z)
• DSP-SLAM: Object Oriented SLAM with Deep Shape Priors [16.867669408751507]
  対象物に対する高密度3次元モデルのリッチで正確な関節マップを構築するオブジェクト指向SLAMシステムを提案する。 DSP-SLAMは特徴ベースのSLAMシステムによって再構築された3Dポイントクラウドを入力として取り込む。 本評価では,近年の深層構造復元法に対して,物体の姿勢と形状の復元が改善したことを示す。
  論文  参考訳（メタデータ） (2021-08-21T10:00:12Z)
• Unveiling the Potential of Structure-Preserving for Weakly Supervised Object Localization [71.79436685992128]
  本稿では,WSOLの畳み込み機能に組み込まれた構造情報を完全に活用するための2段階構造保存アクティベーション(SPA)を提案する。 第1段階では、分類ネットワークによって引き起こされる構造ミス問題を軽減するために制限アクティベーションモジュール(ram)が設計されている。 第2段階では, 自己相関マップ生成(SCG)モジュールと呼ばれるプロセス後アプローチを提案し, 構造保存ローカライゼーションマップを得る。
  論文  参考訳（メタデータ） (2021-03-08T03:04:14Z)

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。