論文の概要: DANIEL: A Fast and Robust Consensus Maximization Method for Point Cloud
Registration with High Outlier Ratios
- arxiv url: http://arxiv.org/abs/2110.05075v1
- Date: Mon, 11 Oct 2021 08:27:00 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-13 03:19:42.503641
- Title: DANIEL: A Fast and Robust Consensus Maximization Method for Point Cloud
Registration with High Outlier Ratios
- Title（参考訳）: DANIEL:高出力比のポイントクラウド登録のための高速かつロバストな合意最大化手法
- Authors: Lei Sun
- Abstract要約: 対応ベースのポイントクラウドの登録は、コンピュータビジョン、ロボティクスの知覚、フォトグラム、リモートセンシングの基盤となっている。
現在の3Dキーポイントマッチング技術は、おそらく非常に多くの場合において、外れ値が得られる傾向にある。
本稿では, DANIEL という新しい時間効率RANSAC型コンセンサス解法を提案する。
- 参考スコア（独自算出の注目度）: 6.8858952804978335
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Correspondence-based point cloud registration is a cornerstone in geometric
computer vision, robotics perception, photogrammetry and remote sensing, which
seeks to estimate the best rigid transformation between two point clouds from
the correspondences established over 3D keypoints. However, due to limited
robustness and accuracy, current 3D keypoint matching techniques are very prone
to yield outliers, probably even in very large numbers, making robust
estimation for point cloud registration of great importance. Unfortunately,
existing robust methods may suffer from high computational cost or insufficient
robustness when encountering high (or even extreme) outlier ratios, hardly
ideal enough for practical use. In this paper, we present a novel
time-efficient RANSAC-type consensus maximization solver, named DANIEL
(Double-layered sAmpliNg with consensus maximization based on stratIfied
Element-wise compatibiLity), for robust registration. DANIEL is designed with
two layers of random sampling, in order to find inlier subsets with the lowest
computational cost possible. Specifically, we: (i) apply the rigidity
constraint to prune raw outliers in the first layer of one-point sampling, (ii)
introduce a series of stratified element-wise compatibility tests to conduct
rapid compatibility checking between minimal models so as to realize more
efficient consensus maximization in the second layer of two-point sampling, and
(iii) probabilistic termination conditions are employed to ensure the timely
return of the final inlier set. Based on a variety of experiments over multiple
real datasets, we show that DANIEL is robust against over 99% outliers and also
significantly faster than existing state-of-the-art robust solvers (e.g.
RANSAC, FGR, GORE).
- Abstract（参考訳）: 対応ベースの点雲登録は、幾何学的コンピュータビジョン、ロボット認識、フォトグラム、リモートセンシングの基盤であり、3Dキーポイント上に確立された対応から、2点雲間の最良の剛性変換を推定することを目指している。
しかし、ロバスト性や正確性が限られているため、現在の3dキーポイントマッチング技術は、おそらく非常に大きな数であっても、外れ値を生み出す可能性が非常に高いため、ポイントクラウド登録の堅牢な推定が非常に重要である。
残念ながら、既存のロバストな手法は高い計算コストや、高い(あるいは極端な)アウトリーチ比に遭遇する際には不十分なロバスト性に悩まされる可能性がある。
本稿では, DANIEL (Double-layered sAmpliNg with consensus maximization based on stratIfied Element-wise compatibiLity) と呼ばれる新しい時間効率RANSAC型コンセンサス最大化法を提案する。
DANIELは、2つのランダムサンプリング層で設計されており、最小の計算コストで不適切なサブセットを見つける。
具体的には
(i)一点サンプリングの第1層の生の異常値に剛性制約を適用する。
(II)二点サンプリングの第2層におけるより効率的なコンセンサス最大化を実現するため、最小限のモデル間の迅速な互換性チェックを行うための一連の階層化要素整合性試験を導入し、
(iii)最終イリアー集合のタイムリーな復帰を保証するために確率的終了条件が用いられる。
複数の実データセットに対する様々な実験に基づいて、DANIELは99%以上の外れ値に対して堅牢であり、既存の最先端の堅牢な解法(RANSAC、FGR、GOREなど)よりもはるかに高速であることを示す。
関連論文リスト
- SEED: A Simple and Effective 3D DETR in Point Clouds [72.74016394325675]
ポイントクラウドの分散度が高く,不均一な分布のため,主な課題は困難である,と我々は主張する。
点雲から3次元物体を検出するための簡便で効果的な3次元DETR法(SEED)を提案する。
論文 参考訳（メタデータ） (2024-07-15T14:21:07Z) - KECOR: Kernel Coding Rate Maximization for Active 3D Object Detection [48.66703222700795]
我々は、ラベルの取得に最も有用なポイントクラウドを特定するために、新しいカーネル戦略を利用する。
1段目(SECOND)と2段目(SECOND)の両方に対応するため、アノテーションに選択した境界ボックスの総数と検出性能のトレードオフをよく組み込んだ分類エントロピー接点を組み込んだ。
その結果,ボックスレベルのアノテーションのコストは約44%,計算時間は26%削減された。
論文 参考訳（メタデータ） (2023-07-16T04:27:03Z) - Reliability-Adaptive Consistency Regularization for Weakly-Supervised
Point Cloud Segmentation [80.07161039753043]
極端に限られたラベルを持つ弱教師付きポイントクラウドセグメンテーションは、高額な注釈付き3Dポイントの収集コストを軽減するのが望ましい。
本稿では、弱教師付き学習において一般的に用いられる一貫性の正則化を、複数のデータ固有の拡張を伴うポイントクラウドに適用することを検討する。
疑似ラベルの信頼性を評価するために,予測信頼性とモデル不確実性を両立させる新しい信頼性適応整合ネットワーク(RAC-Net)を提案する。
論文 参考訳（メタデータ） (2023-03-09T10:41:57Z) - Practical, Fast and Robust Point Cloud Registration for 3D Scene
Stitching and Object Localization [6.8858952804978335]
3Dポイントクラウドの登録は、リモートセンシング、フォトグラメトリー、ロボティクス、幾何学的コンピュータビジョンの基本的な問題である。
極端外れ率のポイントクラウド登録問題に対して,VOCRAという新しい高速かつ高堅牢なソリューションを提案する。
我々の解法VOCRAは99%以上の外れ値に対して堅牢であり、最先端の競合よりも時間効率が高いことを示す。
論文 参考訳（メタデータ） (2021-11-08T01:49:04Z) - TriVoC: Efficient Voting-based Consensus Maximization for Robust Point
Cloud Registration with Extreme Outlier Ratios [6.8858952804978335]
本稿では, 頑健な登録問題の解法として, TriVoC という新しい, 高速, 決定論的, 確固とした解法を提案する。
TriVoCは最大99%の外れ値に対して堅牢であり、非常に正確で、極端な外れ値比でさえも時間効率が良く、また現実世界のアプリケーションにも実用的であることを示す。
論文 参考訳（メタデータ） (2021-11-01T02:03:40Z) - Learning Semantic Segmentation of Large-Scale Point Clouds with Random
Sampling [52.464516118826765]
我々はRandLA-Netを紹介した。RandLA-Netは、大規模ポイントクラウドのポイントごとの意味を推論する、効率的で軽量なニューラルネットワークアーキテクチャである。
我々のアプローチの鍵は、より複雑な点選択アプローチではなく、ランダムな点サンプリングを使用することである。
我々のRandLA-Netは、既存のアプローチよりも最大200倍高速な1回のパスで100万ポイントを処理できます。
論文 参考訳（メタデータ） (2021-07-06T05:08:34Z) - ICOS: Efficient and Highly Robust Point Cloud Registration with
Correspondences [6.8858952804978335]
ポイントクラウド登録は、ロボット工学とコンピュータビジョンの基本的な問題である。
本論文では,通信型ポイントクラウド登録問題に対する,新規で効率的かつ堅牢なソリューションであるICOSについて述べる。
論文 参考訳（メタデータ） (2021-04-30T05:41:53Z) - RANSIC: Fast and Highly Robust Estimation for Rotation Search and Point
Cloud Registration using Invariant Compatibility [6.8858952804978335]
対応に基づく回転探索と点雲登録は、ロボット工学とコンピュータビジョンの基本的な問題である。
本稿では、乱数サンプリングと不変性と互換性を組み合わせた新しいパラダイムに基づいて、両問題に適用可能な高速かつ高堅牢なRANSICを提案する。
複数の合成実験と実実験では、RANSICが高速に使用でき、95%以上のアウトプライヤに対して堅牢であり、約100%のインプライヤをリコールすることができ、回転検索とポイントクラウド登録問題の両方で他の最先端のソルバーを上回ります。
論文 参考訳（メタデータ） (2021-04-19T08:29:34Z) - IRON: Invariant-based Highly Robust Point Cloud Registration [6.8858952804978335]
本稿では,多量の外れ値を持つ点クラウド登録のための非最小かつ高ロバストな解を提案する。
IRONは効率が高く,精度が高く,99%のアウトレーヤに対して堅牢であることを示す。
論文 参考訳（メタデータ） (2021-03-07T13:46:56Z) - 3DSSD: Point-based 3D Single Stage Object Detector [61.67928229961813]
本稿では,3DSSDと命名された点ベース3次元単段物体検出器を提案し,精度と効率のバランスが良好であることを示す。
提案手法は,最先端のボクセルをベースとした一段法を大差で上回り,二段法に匹敵する性能を有する。
論文 参考訳（メタデータ） (2020-02-24T12:01:58Z) - Triple Wins: Boosting Accuracy, Robustness and Efficiency Together by
Enabling Input-Adaptive Inference [119.19779637025444]
深層ネットワークは、(クリーンな自然画像の場合)正確さと(敵対的な摂動画像の場合)頑健さの相違に直面することを最近提案された。
本稿では,入力適応推論に関連するマルチエグジットネットワークについて検討し,モデル精度,ロバスト性,効率の最適化において「スイートポイント」を達成する上での強い期待を示す。
論文 参考訳（メタデータ） (2020-02-24T00:40:22Z)
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。