論文の概要: PCAM: Product of Cross-Attention Matrices for Rigid Registration of Point Clouds

• arxiv url: http://arxiv.org/abs/2110.01269v1
• Date: Mon, 4 Oct 2021 09:23:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-05 15:30:36.003720
• Title: PCAM: Product of Cross-Attention Matrices for Rigid Registration of Point Clouds
• Title（参考訳）: PCAM: 点雲の剛性登録のためのクロスアテンション行列の製品
• Authors: Anh-Quan Cao and Gilles Puy and Alexandre Boulch and Renaud Marlet
• Abstract要約: PCAMは、キー要素がクロスアテンション行列のポイントワイズ積であるニューラルネットワークである。 そこで本研究では,PCAMがステップ(a)とステップ(b)をディープネットを介して共同で解決する手法によって,最先端の成果が得られることを示す。
• 参考スコア（独自算出の注目度）: 79.99653758293277
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Rigid registration of point clouds with partial overlaps is a longstanding problem usually solved in two steps: (a) finding correspondences between the point clouds; (b) filtering these correspondences to keep only the most reliable ones to estimate the transformation. Recently, several deep nets have been proposed to solve these steps jointly. We built upon these works and propose PCAM: a neural network whose key element is a pointwise product of cross-attention matrices that permits to mix both low-level geometric and high-level contextual information to find point correspondences. These cross-attention matrices also permits the exchange of context information between the point clouds, at each layer, allowing the network construct better matching features within the overlapping regions. The experiments show that PCAM achieves state-of-the-art results among methods which, like us, solve steps (a) and (b) jointly via deepnets. Our code and trained models are available at https://github.com/valeoai/PCAM.
• Abstract（参考訳）: 部分重なりを持つ点雲の厳密な登録は通常2つのステップで解決される。 (a)点雲間の対応を見つけること (b)これらの対応をフィルタリングし、変換を推定するために最も信頼できるものだけを保持する。 近年,これらのステップを共同で解決するための深層網がいくつか提案されている。 我々はこれらの研究に基づいて、低レベルの幾何学的情報と高レベルの文脈情報の両方を混合してポイント対応を見つけることができる、クロスアテンション行列のポイントワイズな生成物であるニューラルネットワークPCAMを提案する。 これらのクロスアテンション行列はまた、各層におけるポイントクラウド間のコンテキスト情報の交換を可能にし、重なり合う領域内でより優れたマッチング機能を構築することができる。 実験の結果、PCAMは私たちのように、ステップを解く方法の最先端の結果を得ることがわかった。 (a)及び (b)ディープネットを介して共同で行う。 私たちのコードとトレーニングされたモデルは、https://github.com/valeoai/pcamで利用可能です。

関連論文リスト

• Multiway Point Cloud Mosaicking with Diffusion and Global Optimization [74.3802812773891]
  マルチウェイポイントクラウドモザイクのための新しいフレームワーク(水曜日)を紹介する。 我々のアプローチの核心は、重複を識別し、注意点を洗練する学習されたペアワイズ登録アルゴリズムODINである。 4つの多種多様な大規模データセットを用いて、我々の手法は、全てのベンチマークにおいて大きなマージンで、最先端のペアとローテーションの登録結果を比較した。
  論文  参考訳（メタデータ） (2024-03-30T17:29:13Z)
• SGNet: Salient Geometric Network for Point Cloud Registration [35.49985932039906]
  ポイントクラウド登録(PCR)はコンピュータビジョンにおいて重要かつ困難なタスクである。 従来の手法では,パッチブロック間の類似性により不明瞭なマッチングが問題視されていた。 いくつかの新しい手法を含む新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2023-09-12T13:21:12Z)
• Quantity-Aware Coarse-to-Fine Correspondence for Image-to-Point Cloud Registration [4.954184310509112]
  Image-to-point cloud registrationは、RGBイメージと参照ポイントクラウドの間の相対カメラのポーズを決定することを目的としている。 個々の点と画素とのマッチングは、モダリティギャップによって本質的に曖昧である。 本稿では,局所点集合と画素パッチ間の量認識対応を捉える枠組みを提案する。
  論文  参考訳（メタデータ） (2023-07-14T03:55:54Z)
• HybridFusion: LiDAR and Vision Cross-Source Point Cloud Fusion [15.94976936555104]
  我々はHybridFusionと呼ばれるクロスソース点雲融合アルゴリズムを提案する。 アウトドアの大きなシーンでは、異なる視角から、ソース間の密集点雲を登録することができる。 提案手法は,定性的,定量的な実験を通じて総合的に評価される。
  論文  参考訳（メタデータ） (2023-04-10T10:54:54Z)
• 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)
• DFC: Deep Feature Consistency for Robust Point Cloud Registration [0.4724825031148411]
  複雑なアライメントシーンのための学習に基づくアライメントネットワークを提案する。 我々は,3DMatchデータセットとKITTIオドメトリデータセットに対するアプローチを検証する。
  論文  参考訳（メタデータ） (2021-11-15T08:27:21Z)
• DeepI2P: Image-to-Point Cloud Registration via Deep Classification [71.3121124994105]
  DeepI2Pは、イメージとポイントクラウドの間のクロスモダリティ登録のための新しいアプローチです。 本手法は,カメラとライダーの座標フレーム間の相対的剛性変換を推定する。 登録問題を分類および逆カメラ投影最適化問題に変換することで難易度を回避する。
  論文  参考訳（メタデータ） (2021-04-08T04:27:32Z)
• DeepCLR: Correspondence-Less Architecture for Deep End-to-End Point Cloud Registration [12.471564670462344]
  この研究は、ディープニューラルネットワークを用いたポイントクラウド登録の問題に対処する。 重なり合うデータ内容を持つ2つの点雲間のアライメントを予測する手法を提案する。 提案手法は,最先端の精度と比較手法の最低実行時間を実現する。
  論文  参考訳（メタデータ） (2020-07-22T08:20:57Z)
• 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)
• Saliency Enhancement using Gradient Domain Edges Merging [65.90255950853674]
  本研究では,エッジとサリエンシマップをマージして,サリエンシマップの性能を向上させる手法を開発した。 これにより、DUT-OMRONデータセットの少なくとも3.4倍の平均的な改善により、エッジ(SEE)を使用したサリエンシ向上が提案された。 SEEアルゴリズムは前処理のためのSEE-Preと後処理のためのSEE-Postの2つの部分に分けられる。
  論文  参考訳（メタデータ） (2020-02-11T14:04:56Z)

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。