論文の概要: A recursive robust filtering approach for 3D registration
- arxiv url: http://arxiv.org/abs/2110.14932v1
- Date: Thu, 28 Oct 2021 07:50:02 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-30 05:26:37.752550
- Title: A recursive robust filtering approach for 3D registration
- Title(参考訳): 3次元登録のための再帰的ロバストフィルタリング手法
- Authors: Abdenour Amamra, Nabil Aouf, Dowling Stuart, Mark Richardson
- Abstract要約: 提案手法は, 既往のソリューションではまだ発生していない4つの利点を有する。
固有ノイズ汚染センサデータを扱うことができる。
ノイズのある特徴ローカライゼーションによる不確実性に対して堅牢である。
- 参考スコア(独自算出の注目度): 3.5270468102327004
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This work presents a new recursive robust filtering approach for
feature-based 3D registration. Unlike the common state-of-the-art alignment
algorithms, the proposed method has four advantages that have not yet occurred
altogether in any previous solution. For instance, it is able to deal with
inherent noise contaminating sensory data; it is robust to uncertainties caused
by noisy feature localisation; it also combines the advantages of both (Formula
presented.) and (Formula presented.) norms for a higher performance and a more
prospective prevention of local minima. The result is an accurate and stable
rigid body transformation. The latter enables a thorough control over the
convergence regarding the alignment as well as a correct assessment of the
quality of registration. The mathematical rationale behind the proposed
approach is explained, and the results are validated on physical and synthetic
data.
- Abstract(参考訳): 本稿では,機能ベースの3d登録のための新しい再帰的ロバストフィルタ手法を提案する。
一般的な最先端アライメントアルゴリズムとは違って,提案手法には,これまでのソリューションでは実現されていない4つの利点がある。
例えば、固有ノイズ汚染センサデータを扱うことができ、ノイズの特徴的局所化による不確実性に対して頑健であり、また、より高い性能とより予測的な局所最小値防止のための(Formulaが提示)規範と(Formulaが提示)規範の両方の利点を組み合わせている。
その結果、正確で安定した剛体変換となる。
後者は、アライメントに関する収束の徹底的な制御と、登録の質の正確な評価を可能にする。
提案手法の数学的理論的根拠を解説し, 実データおよび合成データを用いて検証した。
関連論文リスト
- Uncertainty-Aware Testing-Time Optimization for 3D Human Pose Estimation [68.75387874066647]
本研究では3次元ポーズ推定のための不確実性認識テスト時間最適化フレームワークを提案する。
我々のアプローチは、Human3.6Mの4.5%という大きなマージンで、過去最高の結果を上回っている。
論文 参考訳(メタデータ) (2024-02-04T04:28:02Z) - PARTNER: Level up the Polar Representation for LiDAR 3D Object Detection [81.16859686137435]
本稿では、極座標における新しい3次元物体検出器Partnerを紹介する。
提案手法は,ONCE検証セットにおいて3.68%,9.15%の差で従来の極性理論よりも優れていた。
論文 参考訳(メタデータ) (2023-08-08T01:59:20Z) - Learning Unnormalized Statistical Models via Compositional Optimization [73.30514599338407]
実データと人工雑音のロジスティックな損失として目的を定式化することにより, ノイズコントラスト推定(NCE)を提案する。
本稿では,非正規化モデルの負の対数類似度を最適化するための直接的アプローチについて検討する。
論文 参考訳(メタデータ) (2023-06-13T01:18:16Z) - Efficient and Deterministic Search Strategy Based on Residual
Projections for Point Cloud Registration [11.796116091709788]
現在の3D特徴マッチングアプローチは、通常、多くの外乱対応をもたらし、外乱登録技術は不可欠である。
残射影に基づく新しいポーズデカップリング戦略を導入し、生の問題を3つの2-DOF回転探索サブプロブレムに効果的に分解する。
本手法は,同時ポーズと対応登録の困難な問題に適応することができる。
論文 参考訳(メタデータ) (2023-05-19T14:52:40Z) - Stable and memory-efficient image recovery using monotone operator
learning (MOL) [24.975981795360845]
画像における大規模逆問題に対するモノトン深部平衡学習フレームワークを提案する。
提案アルゴリズムは、各反復は、スコア関数を含む勾配降下と、データの一貫性を促進する共役勾配アルゴリズムからなる前方後方分割に依存する。
実験により,提案手法は入力摂動の有無で安定でありながら,3次元設定における性能向上を図っている。
論文 参考訳(メタデータ) (2022-06-06T21:56:11Z) - Gleo-Det: Deep Convolution Feature-Guided Detector with Local Entropy
Optimization for Salient Points [5.955667705173262]
本稿では, 深い畳み込み特徴のガイダンスを伴い, 繰り返し可能性の要求に基づき, きめ細かな制約を実現することを提案する。
畳み込み特徴のガイダンスを用いて、正と負の両面からコスト関数を定義する。
論文 参考訳(メタデータ) (2022-04-27T12:40:21Z) - Canny-VO: Visual Odometry with RGB-D Cameras based on Geometric 3D-2D
Edge Alignment [85.32080531133799]
本稿では,自由形式の曲線登録に関する古典的な問題をレビューし,効率的なrgbdビジュアルオドメトリシステムcanny-voに適用する。
エッジ登録でよく用いられる距離変換の代替として、近似近接近傍場と配向近接近傍場という2つの方法が提案されている。
3D2Dエッジアライメントは、効率性と精度の両方の観点から、これらの代替製剤の恩恵を受けます。
論文 参考訳(メタデータ) (2020-12-15T11:42:17Z) - Deep Shells: Unsupervised Shape Correspondence with Optimal Transport [52.646396621449]
本稿では,3次元形状対応のための教師なし学習手法を提案する。
提案手法は,複数のデータセット上での最先端技術よりも大幅に改善されていることを示す。
論文 参考訳(メタデータ) (2020-10-28T22:24:07Z) - DeepGMR: Learning Latent Gaussian Mixture Models for Registration [113.74060941036664]
ポイントクラウドの登録は、3Dコンピュータビジョン、グラフィックス、ロボット工学の基本的な問題である。
本稿では,最初の学習ベース登録法であるDeep Gaussian Mixture Registration(DeepGMR)を紹介する。
提案手法は,最先端の幾何学的および学習的登録手法と比較して,良好な性能を示す。
論文 参考訳(メタデータ) (2020-08-20T17:25:16Z) - Quasi-Newton Solver for Robust Non-Rigid Registration [35.66014845211251]
データフィッティングと正規化のための大域的スムーズなロバスト推定器に基づくロバストな非剛性登録のための定式化を提案する。
本稿では,L-BFGS を用いた最小二乗問題の解法に,各繰り返しを減らし,最大化最小化アルゴリズムを適用した。
論文 参考訳(メタデータ) (2020-04-09T01:45:05Z)
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。