Fugu-MT 論文翻訳(概要): Cascading Feature Extraction for Fast Point Cloud Registration

論文の概要: Cascading Feature Extraction for Fast Point Cloud Registration

arxiv url: http://arxiv.org/abs/2110.12204v1
Date: Sat, 23 Oct 2021 12:17:00 GMT
ステータス: 処理完了
システム内更新日: 2021-10-26 16:04:23.533517
Title: Cascading Feature Extraction for Fast Point Cloud Registration
Title（参考訳）: 高速クラウド登録のためのカスケード特徴抽出
Authors: Yoichiro Hisadome, Yusuke Matsui
Abstract要約: カスケード特徴抽出による3次元点雲の登録を高速化する手法を提案する。提案手法は精度を損なうことなく既存の手法よりも約3倍高速である。
参考スコア（独自算出の注目度）: 5.590950396380211
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose a method for speeding up a 3D point cloud registration through a cascading feature extraction. The current approach with the highest accuracy is realized by iteratively executing feature extraction and registration using deep features. However, iterative feature extraction takes time. Our proposed method significantly reduces the computational cost using cascading shallow layers. Our idea is to omit redundant computations that do not always contribute to the final accuracy. The proposed approach is approximately three times faster than the existing methods without a loss of accuracy.
Abstract（参考訳）: カスケード特徴抽出による3次元点雲の登録を高速化する手法を提案する。深い特徴を用いた特徴抽出と登録を反復的に行うことにより, 精度の高い現在の手法を実現する。しかし、反復的な特徴抽出には時間がかかる。提案手法は,カスケード浅層を用いた計算コストを大幅に削減する。私たちの考えは、最終精度に必ずしも寄与しない冗長な計算を省くことです。提案手法は精度を損なうことなく既存の手法よりも約3倍高速である。

関連論文リスト

RESSCAL3D: Resolution Scalable 3D Semantic Segmentation of Point Clouds [7.453881927237143]
本研究では, RESSCAL3Dと呼ばれる新しいアーキテクチャを導入し, ポイントクラウドの3次元セマンティックセマンティックセマンティックセグメンテーションを実現する。入力ポイントクラウドの低解像度バージョンが利用可能になると、最初のセマンティックな予測が極めて高速に生成される。実験の結果,RESSCAL3Dは非スケーリングベースラインよりも31～62%高速であることがわかった。
論文参考訳（メタデータ） (2024-04-10T09:40:56Z)
Edge-Enabled Real-time Railway Track Segmentation [0.0]
エッジ対応鉄道線路分割アルゴリズムを提案する。ネットワーク構造を最適化し、トレーニング後のモデルを定量化することで、エッジアプリケーションに適したように最適化されている。実験結果から,提案アルゴリズムの精度は83.3%であった。
論文参考訳（メタデータ） (2024-01-21T13:45:52Z)
DIPR: Efficient Point Cloud Registration via Dynamic Iteration [4.491867613612359]
我々は、ダイナミックイットフレームワークであるDIPRを通じて、スペーサー入力ポイントに基づくオーバーラップポイントに対話的にフォーカスする、新しい効率的なポイントクラウド登録を導入する。提案手法は,最先端手法と比較して計算時間とGPUメモリ消費を大幅に削減しつつ,優れた登録精度を実現する。
論文参考訳（メタデータ） (2023-12-05T16:47:46Z)
Grad-PU: Arbitrary-Scale Point Cloud Upsampling via Gradient Descent with Learned Distance Functions [77.32043242988738]
我々は、任意のアップサンプリングレートをサポートする、正確なポイントクラウドアップサンプリングのための新しいフレームワークを提案する。提案手法は,まず,所定のアップサンプリング率に応じて低解像度の雲を補間する。
論文参考訳（メタデータ） (2023-04-24T06:36:35Z)
CloudAttention: Efficient Multi-Scale Attention Scheme For 3D Point Cloud Learning [81.85951026033787]
この作業にトランスフォーマーをセットし、それらを形状分類と部分およびシーンセグメンテーションのための階層的なフレームワークに組み込む。また、各イテレーションにおけるサンプリングとグループ化を活用して、効率的でダイナミックなグローバルなクロスアテンションを計算します。提案した階層モデルは,最先端の形状分類を平均精度で達成し,従来のセグメンテーション法と同等の結果を得る。
論文参考訳（メタデータ） (2022-07-31T21:39:15Z)
RCP: Recurrent Closest Point for Scene Flow Estimation on 3D Point Clouds [44.034836961967144]
シーンフローや点雲の登録を含む3次元運動推定が注目されている。最近の手法では、正確な3次元フローを推定するためのコストボリュームを構築するために、ディープニューラルネットワークを使用している。問題を2つのインターレースステージに分解し、第1段階では3次元フローをポイントワイズに最適化し、第2段階ではリカレントネットワークでグローバルに正規化する。
論文参考訳（メタデータ） (2022-05-23T04:04:30Z)
ETAD: A Unified Framework for Efficient Temporal Action Detection [70.21104995731085]
時間的行動検出(TAD)のようなトリミングされていないビデオ理解は、しばしば計算資源に対する膨大な需要の苦痛に悩まされる。我々は、効率的なエンド・ツー・エンドの時間的行動検出(ETAD)のための統合されたフレームワークを構築している。 ETADはTHUMOS-14とActivityNet-1.3の両方で最先端のパフォーマンスを実現している。
論文参考訳（メタデータ） (2022-05-14T21:16:21Z)
Revisiting Point Cloud Simplification: A Learnable Feature Preserving Approach [57.67932970472768]
MeshとPoint Cloudの単純化手法は、3Dモデルの複雑さを低減しつつ、視覚的品質と関連する健全な機能を維持することを目的としている。そこで本研究では,正解点の標本化を学習し,高速点雲の簡易化手法を提案する。提案手法は、入力空間から任意のユーザ定義の点数を選択し、視覚的知覚誤差を最小限に抑えるために、その位置を再配置するよう訓練されたグラフニューラルネットワークアーキテクチャに依存する。
論文参考訳（メタデータ） (2021-09-30T10:23:55Z)
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)
AdaFuse: Adaptive Temporal Fusion Network for Efficient Action Recognition [68.70214388982545]
テンポラルモデリングは、効率的なビデオアクション認識の鍵である。我々はAdaFuseと呼ばれる適応時間融合ネットワークを導入し、現在の特徴マップと過去の特徴マップからチャネルを融合する。我々の手法は、最先端の手法に匹敵する精度で、約40%の計算節約を達成できる。
論文参考訳（メタデータ） (2021-02-10T23:31:02Z)

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。