論文の概要: Fast and Robust Registration of Partially Overlapping Point Clouds
- arxiv url: http://arxiv.org/abs/2112.09922v1
- Date: Sat, 18 Dec 2021 12:39:05 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-21 17:56:05.887731
- Title: Fast and Robust Registration of Partially Overlapping Point Clouds
- Title（参考訳）: 部分重なり合う点雲の高速かつロバストな登録
- Authors: Eduardo Arnold, Sajjad Mozaffari, Mehrdad Dianati
- Abstract要約: 部分的に重なる点雲のリアルタイム登録は、自動運転車の協調認識に新たな応用をもたらす。
これらのアプリケーションにおける点雲間の相対的な変換は、従来のSLAMやオドメトリーアプリケーションよりも高い。
本稿では,効率の良い特徴エンコーダを用いて対応を学習する部分重複点群に対する新しい登録法を提案する。
- 参考スコア（独自算出の注目度）: 5.073765501263891
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Real-time registration of partially overlapping point clouds has emerging
applications in cooperative perception for autonomous vehicles and multi-agent
SLAM. The relative translation between point clouds in these applications is
higher than in traditional SLAM and odometry applications, which challenges the
identification of correspondences and a successful registration. In this paper,
we propose a novel registration method for partially overlapping point clouds
where correspondences are learned using an efficient point-wise feature
encoder, and refined using a graph-based attention network. This attention
network exploits geometrical relationships between key points to improve the
matching in point clouds with low overlap. At inference time, the relative pose
transformation is obtained by robustly fitting the correspondences through
sample consensus. The evaluation is performed on the KITTI dataset and a novel
synthetic dataset including low-overlapping point clouds with displacements of
up to 30m. The proposed method achieves on-par performance with
state-of-the-art methods on the KITTI dataset, and outperforms existing methods
for low overlapping point clouds. Additionally, the proposed method achieves
significantly faster inference times, as low as 410ms, between 5 and 35 times
faster than competing methods. Our code and dataset are available at
https://github.com/eduardohenriquearnold/fastreg.
- Abstract（参考訳）: 部分重複する点雲のリアルタイム登録は、自律走行車とマルチエージェントスラムの協調認識における新たな応用である。
これらのアプリケーションにおけるポイントクラウド間の相対的翻訳は、対応の識別と登録の成功に挑戦する従来のslamおよびオドメトリアプリケーションよりも高い。
本稿では,効率的なポイントワイド特徴エンコーダを用いて対応を学習し,グラフベースのアテンションネットワークを用いて改良した部分重複点雲の新規登録手法を提案する。
この注意ネットワークは、鍵点間の幾何学的関係を利用して、重複の少ない点雲のマッチングを改善する。
推定時には、サンプルコンセンサスを通じて対応をロバストに適合させて相対ポーズ変換を求める。
キッティデータセットと、30mまでの変位を有する低重なり点雲を含む新しい合成データセットについて評価を行う。
提案手法は,kittiデータセットにおける最先端手法と同等の性能を実現し,低重なり点雲の既存手法よりも優れている。
さらに,提案手法は,競合手法の5倍から35倍の速度で,410ms以下の推定時間を著しく高速化する。
私たちのコードとデータセットはhttps://github.com/eduardohenriquearnold/fastregで利用可能です。
関連論文リスト
- Inferring Neural Signed Distance Functions by Overfitting on Single Noisy Point Clouds through Finetuning Data-Driven based Priors [53.6277160912059]
本稿では,データ駆動型およびオーバーフィット型手法のプロースを推進し,より一般化し,高速な推論を行い,より高精度なニューラルネットワークSDFを学習する手法を提案する。
そこで本研究では,距離管理やクリーンポイントクラウド,あるいは点正規化を伴わずに,データ駆動型プリエントを微調整できる新しい統計的推論アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-10-25T16:48:44Z) - Multiway Point Cloud Mosaicking with Diffusion and Global Optimization [74.3802812773891]
マルチウェイポイントクラウドモザイクのための新しいフレームワーク(水曜日)を紹介する。
我々のアプローチの核心は、重複を識別し、注意点を洗練する学習されたペアワイズ登録アルゴリズムODINである。
4つの多種多様な大規模データセットを用いて、我々の手法は、全てのベンチマークにおいて大きなマージンで、最先端のペアとローテーションの登録結果を比較した。
論文 参考訳（メタデータ） (2024-03-30T17:29:13Z) - 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) - Overlap-guided Gaussian Mixture Models for Point Cloud Registration [61.250516170418784]
確率的3Dポイントクラウド登録法は、ノイズ、アウトレーヤ、密度変動を克服する競合性能を示した。
本稿では,一致したガウス混合モデル(GMM)パラメータから最適変換を演算する,重複誘導確率登録手法を提案する。
論文 参考訳（メタデータ） (2022-10-17T08:02:33Z) - Learning to Register Unbalanced Point Pairs [10.369750912567714]
最近の3D登録法は,大規模あるいは部分的に重複する点対を効果的に扱うことができる。
非平衡点対に対する新しい3次元登録手法であるUPPNetを提案する。
論文 参考訳（メタデータ） (2022-07-09T08:03:59Z) - GenReg: Deep Generative Method for Fast Point Cloud Registration [18.66568286698704]
我々は,クラウド登録をポイントとする深層生成ニューラルネットワークを探索し,新しいデータ駆動型登録アルゴリズムを提案する。
ModelNet40と7Sceneのデータセットを用いた実験により、提案アルゴリズムが最先端の精度と効率を達成することを示した。
論文 参考訳（メタデータ） (2021-11-23T10:52:09Z) - PCAM: Product of Cross-Attention Matrices for Rigid Registration of
Point Clouds [79.99653758293277]
PCAMは、キー要素がクロスアテンション行列のポイントワイズ積であるニューラルネットワークである。
そこで本研究では,PCAMがステップ(a)とステップ(b)をディープネットを介して共同で解決する手法によって,最先端の成果が得られることを示す。
論文 参考訳（メタデータ） (2021-10-04T09:23:27Z) - 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) - End-to-End 3D Point Cloud Learning for Registration Task Using Virtual
Correspondences [17.70819292121181]
3Dポイントのクラウド登録は、2つのポイントのクラウド間の厳密な変換を見つけるのが難しいため、依然として非常に難しいトピックである。
本稿では,ポイントクラウド登録問題を解決するために,エンドツーエンドのディープラーニングに基づくアプローチを提案する。
論文 参考訳（メタデータ） (2020-11-30T06:55:05Z) - DeepCLR: Correspondence-Less Architecture for Deep End-to-End Point
Cloud Registration [12.471564670462344]
この研究は、ディープニューラルネットワークを用いたポイントクラウド登録の問題に対処する。
重なり合うデータ内容を持つ2つの点雲間のアライメントを予測する手法を提案する。
提案手法は,最先端の精度と比較手法の最低実行時間を実現する。
論文 参考訳（メタデータ） (2020-07-22T08:20:57Z) - RPM-Net: Robust Point Matching using Learned Features [79.52112840465558]
RPM-Netは、より敏感で、より堅牢なディープラーニングベースのアプローチである。
既存の方法とは異なり、我々のRPM-Netは、部分的な可視性を備えた対応や点雲の欠如を処理します。
論文 参考訳（メタデータ） (2020-03-30T13:45:27Z)
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。