論文の概要: End-to-end Learning the Partial Permutation Matrix for Robust 3D Point Cloud Registration

• arxiv url: http://arxiv.org/abs/2110.15250v1
• Date: Thu, 28 Oct 2021 16:07:02 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-29 19:47:29.416838
• Title: End-to-end Learning the Partial Permutation Matrix for Robust 3D Point Cloud Registration
• Title（参考訳）: ロバスト3Dポイントクラウド登録のための部分置換行列のエンドツーエンド学習
• Authors: Zhiyuan Zhang, Jiadai Sun, Yuchao Dai, Dingfu Zhou, Xibin Song, and Mingyi He
• Abstract要約: 本稿では,外接点に対応点を割り当てない部分置換マッチング行列を学習することを提案する。 そこで本研究では,登録パイプライン内のソフト・ツー・ハード(S2H)マッチング手順を設計する。 提案手法は,3Dポイントクラウドのロバストな登録のための最先端性能を新たに生成する。
• 参考スコア（独自算出の注目度）: 32.79389437430705
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Even though considerable progress has been made in deep learning-based 3D point cloud processing, how to obtain accurate correspondences for robust registration remains a major challenge because existing hard assignment methods cannot deal with outliers naturally. Alternatively, the soft matching-based methods have been proposed to learn the matching probability rather than hard assignment. However, in this paper, we prove that these methods have an inherent ambiguity causing many deceptive correspondences. To address the above challenges, we propose to learn a partial permutation matching matrix, which does not assign corresponding points to outliers, and implements hard assignment to prevent ambiguity. However, this proposal poses two new problems, i.e., existing hard assignment algorithms can only solve a full rank permutation matrix rather than a partial permutation matrix, and this desired matrix is defined in the discrete space, which is non-differentiable. In response, we design a dedicated soft-to-hard (S2H) matching procedure within the registration pipeline consisting of two steps: solving the soft matching matrix (S-step) and projecting this soft matrix to the partial permutation matrix (H-step). Specifically, we augment the profit matrix before the hard assignment to solve an augmented permutation matrix, which is cropped to achieve the final partial permutation matrix. Moreover, to guarantee end-to-end learning, we supervise the learned partial permutation matrix but propagate the gradient to the soft matrix instead. Our S2H matching procedure can be easily integrated with existing registration frameworks, which has been verified in representative frameworks including DCP, RPMNet, and DGR. Extensive experiments have validated our method, which creates a new state-of-the-art performance for robust 3D point cloud registration. The code will be made public.
• Abstract（参考訳）: ディープラーニングベースの3dポイントクラウド処理では相当な進歩があったが,既存のハード代入手法では異常値の処理が自然にできないため,堅牢な登録のための正確な対応を得る方法が依然として大きな課題である。 あるいは、ハード代入よりもマッチング確率を学習するために、ソフトマッチングベースの手法が提案されている。 しかし,本論文では,これらの手法に固有の曖昧さがあることが証明されている。 上記の課題に対処するために,対応する点を外れ値に割り当てず,曖昧さを防止するためにハード代入を実装する部分置換マッチング行列を学習することを提案する。 しかし、この提案は2つの新しい問題、すなわち既存のハード代入アルゴリズムは部分置換行列ではなく全ランク置換行列のみを解くことができ、この所望の行列は微分不能な離散空間で定義される。 そこで我々は,ソフトマッチング行列 (s-step) の解法と,このソフトマトリックスを部分置換行列 (h-step) に投影する2ステップからなる登録パイプライン内の専用ソフト・トゥ・ハード (s2h) マッチング手順を設計する。 具体的には, 最終的な部分置換行列を達成するために, 拡張置換行列を解くために, ハード代入の前に利益行列を補強する。 さらに、エンドツーエンドの学習を保証するため、学習した部分置換行列を監督するが、代わりにソフトマトリックスへの勾配を伝播する。 我々のS2Hマッチング手順は既存の登録フレームワークと容易に統合でき、DCP、RPMNet、DGRなどの代表的なフレームワークで検証されている。 大規模実験により本手法が検証され,頑健な3dポイントクラウド登録のための最新性能が得られた。 コードは公開されます。

関連論文リスト

• Diff-Reg v1: Diffusion Matching Model for Registration Problem [34.57825794576445]
  既存の手法では、幾何学的あるいは意味的な特徴を利用して潜在的な対応を生成する。 従来はシングルパス予測に頼っていた手法は、複雑なシナリオにおいて局所的なミニマと競合する可能性がある。 本稿では,ロバスト対応推定のための拡散マッチングモデルを提案する。
  論文  参考訳（メタデータ） (2024-03-29T02:10:38Z)
• Diff-PCR: Diffusion-Based Correspondence Searching in Doubly Stochastic Matrix Space for Point Cloud Registration [35.82753072083472]
  最先端の手法では、ソリューションを洗練させるためにRAFTのような反復的な更新が採用されている。 本稿では,最適マッチング行列の探索を予測するために,Denoising Diffusion Modelを利用する新しい手法を提案する。 提案手法は,オンラインバックボーンやホワイトノイズによって提供される任意の初期マッチング行列から検索を開始することで,柔軟性を提供する。
  論文  参考訳（メタデータ） (2023-12-31T09:24:28Z)
• Spectral Entry-wise Matrix Estimation for Low-Rank Reinforcement Learning [53.445068584013896]
  低ランク構造を持つ強化学習(RL)における行列推定問題について検討した。 低ランク帯では、回収される行列は期待される腕の報酬を指定し、低ランクマルコフ決定プロセス(MDP)では、例えばMDPの遷移カーネルを特徴付ける。 簡単なスペクトルベースの行列推定手法は,行列の特異部分空間を効率よく復元し,ほぼ最小の入力誤差を示すことを示す。
  論文  参考訳（メタデータ） (2023-10-10T17:06:41Z)
• Optimal Low-Rank Matrix Completion: Semidefinite Relaxations and Eigenvector Disjunctions [6.537257913467247]
  低ランク行列の完備化は、与えられた観測セットをできるだけ正確に回復する最小の複雑さの行列からなる。 新たな凸緩和は、既存の方法に比べて最大値を大幅に下げる。
  論文  参考訳（メタデータ） (2023-05-20T22:04:34Z)
• Searching Dense Point Correspondences via Permutation Matrix Learning [50.764666304335]
  本稿では,3次元点雲の高密度対応を推定するエンド・ツー・エンドの学習手法を提案する。 本手法は,高密度対応学習のための最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-10-26T17:56:09Z)
• Sparse Quadratic Optimisation over the Stiefel Manifold with Application to Permutation Synchronisation [71.27989298860481]
  二次目的関数を最大化するスティーフェル多様体上の行列を求める非最適化問題に対処する。 そこで本研究では,支配的固有空間行列を求めるための,単純かつ効果的なスパーシティプロモーティングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-09-30T19:17:35Z)
• Provably End-to-end Label-Noise Learning without Anchor Points [118.97592870124937]
  本稿では,アンカーポイントを使わずにラベルノイズ学習を実現するためのエンドツーエンドフレームワークを提案する。 提案フレームワークでは,クリーンなクラス後確率が十分に分散している場合,遷移行列を同定できる。
  論文  参考訳（メタデータ） (2021-02-04T03:59:37Z)
• Hybrid Trilinear and Bilinear Programming for Aligning Partially Overlapping Point Sets [85.71360365315128]
  多くの応用において、部分重なり合う点集合が対応するRPMアルゴリズムに不変であるようなアルゴリズムが必要である。 まず、目的が立方体有界関数であることを示し、次に、三線型および双線型単相変換の凸エンベロープを用いて、その下界を導出する。 次に、変換変数上の分岐のみを効率よく実行するブランチ・アンド・バウンド(BnB)アルゴリズムを開発する。
  論文  参考訳（メタデータ） (2021-01-19T04:24:23Z)
• Fast Coherent Point Drift [4.369046007546103]
  コヒーレント点ドリフト(CPD)は、非剛性点集合登録のための古典的な方法である。 単純な対応する制約を導入することで、PDの高速な実装を開発する。 3次元点雲データによる実験結果から,本手法は登録プロセスの負担を大幅に軽減できることが示された。
  論文  参考訳（メタデータ） (2020-06-11T09:35:23Z)
• Multi-Objective Matrix Normalization for Fine-grained Visual Recognition [153.49014114484424]
  双線形プールは細粒度視覚認識(FGVC)において大きな成功を収める 近年,行列パワー正規化は双線形特徴量において2次情報を安定化させることができることが示されている。 両線形表現を同時に正規化できる効率的な多目的行列正規化法(MOMN)を提案する。
  論文  参考訳（メタデータ） (2020-03-30T08:40:35Z)

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。