論文の概要: DeepBBS: Deep Best Buddies for Point Cloud Registration

• arxiv url: http://arxiv.org/abs/2110.03016v1
• Date: Wed, 6 Oct 2021 19:00:07 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-08 15:44:39.480709
• Title: DeepBBS: Deep Best Buddies for Point Cloud Registration
• Title（参考訳）: DeepBBS: ポイントクラウド登録のためのディープベストバディ
• Authors: Itan Hezroni, Amnon Drory, Raja Giryes, Shai Avidan
• Abstract要約: DeepBBSは、トレーニング中のポイント間の最良の相反する距離を考慮に入れた表現を学ぶための新しい方法である。 実験の結果,従来の手法と比較して性能が向上した。
• 参考スコア（独自算出の注目度）: 55.12101890792121
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, several deep learning approaches have been proposed for point cloud registration. These methods train a network to generate a representation that helps finding matching points in two 3D point clouds. Finding good matches allows them to calculate the transformation between the point clouds accurately. Two challenges of these techniques are dealing with occlusions and generalizing to objects of classes unseen during training. This work proposes DeepBBS, a novel method for learning a representation that takes into account the best buddy distance between points during training. Best Buddies (i.e., mutual nearest neighbors) are pairs of points nearest to each other. The Best Buddies criterion is a strong indication for correct matches that, in turn, leads to accurate registration. Our experiments show improved performance compared to previous methods. In particular, our learned representation leads to an accurate registration for partial shapes and in unseen categories.
• Abstract（参考訳）: 近年,ポイントクラウド登録のための深層学習手法が提案されている。 これらの手法は、2つの3dポイントクラウド内のマッチングポイントを見つけるのに役立つ表現を生成するためにネットワークを訓練する。 良いマッチングを見つけることで、ポイントクラウド間の変換を正確に計算できます。 これらのテクニックの2つの課題は、オクルージョンに対処し、トレーニング中に見えないクラスのオブジェクトに一般化することである。 本研究は,訓練中の点間の最善の相棒距離を考慮した表現の学習手法であるdeepbbsを提案する。 ベスト・バディ (Best Buddies) とは、互いに最も近い点のペアである。 最高の仲間の基準は、正しい一致することの強い兆候であり、その結果、正確な登録につながる。 実験の結果,従来の手法と比較して性能が向上した。 特に,学習した表現は,部分的な形状と見当たらないカテゴリの正確な登録に繋がる。

関連論文リスト

• PointRegGPT: Boosting 3D Point Cloud Registration using Generative Point-Cloud Pairs for Training [90.06520673092702]
  生成点クラウドペアを用いた3Dポイントクラウドの登録をトレーニングのために促進するPointRegGPTを提案する。 我々の知る限り、これは屋内のクラウド登録のためのリアルなデータ生成を探求する最初の生成的アプローチである。
  論文  参考訳（メタデータ） (2024-07-19T06:29:57Z)
• 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)
• Category-Level Global Camera Pose Estimation with Multi-Hypothesis Point Cloud Correspondences [26.885846254261626]
  対応探索は、剛点クラウド登録アルゴリズムにおける重要なステップである。 本稿では,部分点クラウドと完全点クラウドとをマッチングする場合に,各キーポイントに対する全ての対応性を保持する最適化手法を提案する。 また,ローカル・ポイント・クラウド・リージョン間の類似度を測定する新しいポイント・フィーチャー・ディスクリプタを提案する。
  論文  参考訳（メタデータ） (2022-09-28T21:12:51Z)
• Unsupervised Representation Learning for 3D Point Cloud Data [66.92077180228634]
  我々は、教師なしのポイントクラウド学習に対して、シンプルで効果的なアプローチを提案する。 特に、原点雲の優れたコントラストバージョンを生成する非常に有用な変換を同定する。 本研究では,3次元オブジェクト分類,形状部分分割,シーン分割の3つの下流タスクについて実験を行った。
  論文  参考訳（メタデータ） (2021-10-13T10:52:45Z)
• Point Discriminative Learning for Unsupervised Representation Learning on 3D Point Clouds [54.31515001741987]
  3次元点雲上での教師なし表現学習のための点識別学習法を提案する。 我々は、中間レベルとグローバルレベルの特徴に新しい点識別損失を課すことにより、これを達成した。 提案手法は強力な表現を学習し,新しい最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-08-04T15:11:48Z)
• 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)
• PointCutMix: Regularization Strategy for Point Cloud Classification [7.6904253666422395]
  本稿では,pointcutmixという,ポイントクラウドデータの簡易かつ効果的な拡張手法を提案する。 2つの点雲間の最適な割り当てを見つけ、1つのサンプルの点を最適に割り当てられたペアに置き換えることで、新しいトレーニングデータを生成する。
  論文  参考訳（メタデータ） (2021-01-05T11:39:06Z)
• Best Buddies Registration for Point Clouds [46.48442376651696]
  ロス関数は、2つの点集合間の互いに近接する隣人の数を数えるBest Buddies similarity(英語版)測度から着想を得ている。 我々はBBR(Best Buddy Registration)と呼ばれるいくつかのアルゴリズムを提示し、各アルゴリズムは、Adam勾配降下による損失関数の1つを最適化する。 合成と実の両方の様々なデータセットの実験は、BBRアルゴリズムの有効性を実証している。
  論文  参考訳（メタデータ） (2020-10-05T10:49:18Z)
• Unsupervised Point Cloud Registration via Salient Points Analysis (SPA) [57.62713515497585]
  本研究では,SPA (Salient Point Analysis) と呼ばれる非教師付きポイントクラウド登録手法を提案する。 まず、ポイントホップ++法を点点に当てはめ、点の局所的な表面特性に基づいて2点の正解点を見つけ、対応する正解点と整合して登録を行う。 SPA法の有効性は,ModelNet-40データセットから,見かけや見えないクラスやノイズの多い点群に対する実験によって実証される。
  論文  参考訳（メタデータ） (2020-09-02T18:40:37Z)
• 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。