論文の概要: DSC: Deep Scan Context Descriptor for Large-Scale Place Recognition

• arxiv url: http://arxiv.org/abs/2111.13838v1
• Date: Sat, 27 Nov 2021 07:31:32 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-04 14:45:13.288778
• Title: DSC: Deep Scan Context Descriptor for Large-Scale Place Recognition
• Title（参考訳）: dsc:大規模位置認識のためのdeep scan context descriptor
• Authors: Jiafeng Cui, Tengfei Huang, Yingfeng Cai, Junqiao Zhao, Lu Xiong and Zhuoping Yu
• Abstract要約: LiDARに基づく位置認識は、ループ閉鎖検出とグローバル再局在の両方において必須かつ困難な課題である。 本稿では,ポイントクラウドのセグメント間の関係をキャプチャする,汎用的で差別的なグローバル記述子であるDeep Scan Context (DSC)を提案する。
• 参考スコア（独自算出の注目度）: 4.878199122477076
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LiDAR-based place recognition is an essential and challenging task both in loop closure detection and global relocalization. We propose Deep Scan Context (DSC), a general and discriminative global descriptor that captures the relationship among segments of a point cloud. Unlike previous methods that utilize either semantics or a sequence of adjacent point clouds for better place recognition, we only use raw point clouds to get competitive results. Concretely, we first segment the point cloud egocentrically to acquire centroids and eigenvalues of the segments. Then, we introduce a graph neural network to aggregate these features into an embedding representation. Extensive experiments conducted on the KITTI dataset show that DSC is robust to scene variants and outperforms existing methods.
• Abstract（参考訳）: LiDARに基づく位置認識はループ閉鎖検出とグローバル再局在において必須かつ困難な課題である。 本稿では,ポイントクラウドのセグメント間の関係を捉える汎用かつ判別可能なグローバルディスクリプタであるdeep scan context(dsc)を提案する。 位置認識にセマンティクスや隣接するポイントクラウドのシーケンスを使用する従来の方法とは異なり、競合的な結果を得るためには生のポイントクラウドのみを使用します。 具体的には、まず点雲を自己中心的に分割し、セグメントのセントロイドと固有値を取得する。 次に,これらの特徴を埋め込み表現に集約するグラフニューラルネットワークを提案する。 KITTIデータセットで実施された大規模な実験により、DSCはシーンの変動に対して堅牢であり、既存の手法よりも優れていることが示された。

関連論文リスト

• Subspace Prototype Guidance for Mitigating Class Imbalance in Point Cloud Semantic Segmentation [23.250178208474928]
  本稿では,サブスペースのプロトタイプガイダンス(textbfSPG)を用いて,セグメンテーションネットワークのトレーニングを指導する手法を提案する。 提案手法はセグメンテーション性能を大幅に向上し,最先端の手法を超越する。
  論文  参考訳（メタデータ） (2024-08-20T04:31:46Z)
• Point Cloud Pre-training with Diffusion Models [62.12279263217138]
  我々は、ポイントクラウド拡散事前学習(PointDif)と呼ばれる新しい事前学習手法を提案する。 PointDifは、分類、セグメンテーション、検出など、さまざまな下流タスクのために、さまざまな現実世界のデータセット間で大幅に改善されている。
  論文  参考訳（メタデータ） (2023-11-25T08:10:05Z)
• PointDC:Unsupervised Semantic Segmentation of 3D Point Clouds via Cross-modal Distillation and Super-Voxel Clustering [32.18716273358168]
  我々は、ポイントクラウドの完全な教師なしセマンティックセマンティックセグメンテーションの最初の試みを行う。 本稿では,上記の問題に対処する2つのステップからなる新しいフレームワークであるPointDCを提案する。 PointDCは、従来の最先端の教師なし手法よりも大幅に改善されている。
  論文  参考訳（メタデータ） (2023-04-18T12:58:21Z)
• Adaptive Edge-to-Edge Interaction Learning for Point Cloud Analysis [118.30840667784206]
  ポイントクラウドデータ処理の大きな問題は、ローカルリージョンから有用な情報を抽出することだ。 従来の研究は、局所的な形状情報を符号化する地域におけるエッジ間の関係を無視していた。 本稿では,Adaptive Edge-to-Edge Interaction Learningモジュールを提案する。
  論文  参考訳（メタデータ） (2022-11-20T07:10:14Z)
• CPSeg: Cluster-free Panoptic Segmentation of 3D LiDAR Point Clouds [2.891413712995641]
  CPSegと呼ばれるLiDAR点雲のための新しいリアルタイム・エンド・エンド・エンド・パノプティクス・セグメンテーション・ネットワークを提案する。 CPSegは、共有エンコーダ、デュアルデコーダ、タスク認識アテンションモジュール(TAM)、クラスタフリーインスタンスセグメンテーションヘッドを備える。
  論文  参考訳（メタデータ） (2021-11-02T16:44:06Z)
• SSC: Semantic Scan Context for Large-Scale Place Recognition [13.228580954956342]
  我々は、記述子の表現能力を向上させるために、高レベルの機能、すなわち意味論の利用について検討する。 本稿では,シーンをより効果的に表現するための意味情報を探る,新しいグローバルな記述子Semantic Scan Contextを提案する。 我々の手法は最先端の手法よりも大きなマージンで優れている。
  論文  参考訳（メタデータ） (2021-07-01T11:51:19Z)
• Semantic Segmentation for Real Point Cloud Scenes via Bilateral Augmentation and Adaptive Fusion [38.05362492645094]
  現実世界の複雑な環境を直感的に捉えることができますが、3Dデータの生の性質のため、機械認識にとって非常に困難です。 我々は、現実に収集された大規模クラウドデータに対して、重要な視覚的タスク、セマンティックセグメンテーションに集中する。 3つのベンチマークで最先端のネットワークと比較することにより,ネットワークの有効性を実証する。
  論文  参考訳（メタデータ） (2021-03-12T04:13:20Z)
• SPU-Net: Self-Supervised Point Cloud Upsampling by Coarse-to-Fine Reconstruction with Self-Projection Optimization [52.20602782690776]
  実際のスキャンされたスパースデータからトレーニング用の大規模なペアリングスパーススキャンポイントセットを得るのは高価で面倒です。 本研究では,SPU-Net と呼ばれる自己監視型点群アップサンプリングネットワークを提案する。 本研究では,合成データと実データの両方について様々な実験を行い,最先端の教師付き手法と同等の性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-12-08T14:14:09Z)
• SOE-Net: A Self-Attention and Orientation Encoding Network for Point Cloud based Place Recognition [50.9889997200743]
  我々は、自己アテンション・指向性符号化ネットワーク(SOE-Net)を用いて、ポイントクラウドデータから位置認識する問題に取り組む。 SOE-Netは、ポイント間の関係を完全に探求し、長距離コンテキストをポイントワイドなローカル記述子に組み込む。 様々なベンチマークデータセットの実験では、現在の最先端アプローチよりも提案したネットワークの性能が優れていることが示されている。
  論文  参考訳（メタデータ） (2020-11-24T22:28:25Z)
• Gradient-Induced Co-Saliency Detection [81.54194063218216]
  Co-SOD(Co-saliency Detection)は、一般的な唾液前景を関連画像のグループに分割することを目的としている。 本稿では,人間の行動にインスパイアされた,勾配誘導型共分散検出法を提案する。
  論文  参考訳（メタデータ） (2020-04-28T08:40:55Z)
• SceneEncoder: Scene-Aware Semantic Segmentation of Point Clouds with A Learnable Scene Descriptor [51.298760338410624]
  本研究では,グローバル情報の効果を高めるために,シーン認識型ガイダンスを付加するSceneEncoderモジュールを提案する。 モジュールはシーン記述子を予測し、シーンに存在するオブジェクトのカテゴリを表現することを学習する。 また,同じラベルを持つ隣接点に対する特徴の識別を伝搬する領域類似度損失を設計する。
  論文  参考訳（メタデータ） (2020-01-24T16:53:30Z)

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。