論文の概要: Self-Supervised Point Cloud Registration with Deep Versatile Descriptors
- arxiv url: http://arxiv.org/abs/2201.10034v2
- Date: Thu, 13 Apr 2023 01:27:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-14 17:44:08.855150
- Title: Self-Supervised Point Cloud Registration with Deep Versatile Descriptors
- Title（参考訳）: ディープバーサタイル記述子を用いたセルフスーパービジョンポイントクラウド登録
- Authors: Dongrui Liu, Chuanchuan Chen, Changqing Xu, Robert Qiu, and Lei Chu
- Abstract要約: 本稿では,グローバルディスクリプタとローカルディスクリプタを併用して,ポイントクラウドを自己管理的に登録することを提案する。
特徴抽出モジュールの表現能力を向上するために、局所的なジオメトリを用いることができる。
また、点雲再構成と正規推定を利用して、グローバルおよびローカルディスクリプタの変換意識を高める。
- 参考スコア（独自算出の注目度）: 3.2834346231107947
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As a fundamental yet challenging problem in intelligent transportation
systems, point cloud registration attracts vast attention and has been attained
with various deep learning-based algorithms. The unsupervised registration
algorithms take advantage of deep neural network-enabled novel representation
learning while requiring no human annotations, making them applicable to
industrial applications. However, unsupervised methods mainly depend on global
descriptors, which ignore the high-level representations of local geometries.
In this paper, we propose to jointly use both global and local descriptors to
register point clouds in a self-supervised manner, which is motivated by a
critical observation that all local geometries of point clouds are transformed
consistently under the same transformation. Therefore, local geometries can be
employed to enhance the representation ability of the feature extraction
module. Moreover, the proposed local descriptor is flexible and can be
integrated into most existing registration methods and improve their
performance. Besides, we also utilize point cloud reconstruction and normal
estimation to enhance the transformation awareness of global and local
descriptors. Lastly, extensive experimental results on one synthetic and three
real-world datasets demonstrate that our method outperforms existing
state-of-art unsupervised registration methods and even surpasses supervised
ones in some cases. Robustness and computational efficiency evaluations also
indicate that the proposed method applies to intelligent vehicles.
- Abstract（参考訳）: インテリジェントな輸送システムにおける根本的な問題として、ポイントクラウド登録は大きな注目を集め、さまざまなディープラーニングベースのアルゴリズムによって達成されている。
教師なし登録アルゴリズムは、人間のアノテーションを必要とせず、ディープニューラルネットワークで可能な斬新な表現学習を生かし、産業アプリケーションに適用できる。
しかし、教師なしの手法は主に局所幾何学の高レベルな表現を無視したグローバルな記述子に依存している。
本稿では,グローバルデクリプタとローカルデクリプタを併用して,ポイント雲を自己管理的に登録する手法を提案する。
したがって、特徴抽出モジュールの表現能力を高めるために局所的なジオメトリを用いることができる。
さらに、提案するローカルディスクリプタは柔軟であり、既存のほとんどの登録方法に統合して性能を向上させることができる。
さらに,ポイントクラウド再構成と正規推定を用いて,グローバルおよびローカルディスクリプタのトランスフォーメーション意識を高める。
最後に、1つの合成データと3つの実世界のデータセットの広範な実験結果から、本手法が既存の最先端の教師なし登録手法を上回っており、場合によっては教師なしデータを上回る場合もあることが分かる。
また,ロバスト性と計算効率の評価は,提案手法が知的車両に適用できることを示す。
関連論文リスト
- HD2Reg: Hierarchical Descriptors and Detectors for Point Cloud
Registration [5.906656006176128]
フィーチャーディスクリプタとインタクタは、機能ベースのポイントクラウド登録の2つの主要コンポーネントである。
本稿では,デュアルレベルディスクリプタと検出器を明示的に抽出し,粗大なマッチングを行うフレームワークを提案する。
提案手法は,ロバストで高精度なクラウド登録を実現し,最近のキーポイント方式よりも優れている。
論文 参考訳（メタデータ） (2023-05-05T12:57:04Z) - GIDP: Learning a Good Initialization and Inducing Descriptor
Post-enhancing for Large-scale Place Recognition [6.709991492637821]
本稿では,GIDP という新しい手法を提案する。
提案手法は,バックボーンを符号化する単純なクラウドと汎用クラウドを用いて,最先端の性能を実現する。
論文 参考訳（メタデータ） (2022-09-23T09:20:09Z) - Adaptive Local-Component-aware Graph Convolutional Network for One-shot
Skeleton-based Action Recognition [54.23513799338309]
骨格に基づく行動認識のための適応的局所成分認識グラフ畳み込みネットワークを提案する。
我々の手法はグローバルな埋め込みよりも強力な表現を提供し、我々のモデルが最先端に到達するのに役立ちます。
論文 参考訳（メタデータ） (2022-09-21T02:33:07Z) - Inducing Gaussian Process Networks [80.40892394020797]
本稿では,特徴空間と誘導点を同時に学習するシンプルなフレームワークであるGaussian Process Network (IGN)を提案する。
特に誘導点は特徴空間で直接学習され、複雑な構造化領域のシームレスな表現を可能にする。
実世界のデータセットに対する実験結果から,IGNは最先端の手法よりも大幅に進歩していることを示す。
論文 参考訳（メタデータ） (2022-04-21T05:27:09Z) - An Entropy-guided Reinforced Partial Convolutional Network for Zero-Shot
Learning [77.72330187258498]
エントロピー誘導強化部分畳み込みネットワーク(ERPCNet)を提案する。
ERPCNetは、人間のアノテーションのない意味的関連性と視覚的相関に基づいて、局所性を抽出し、集約する。
グローバルな協力的局所性を動的に発見するだけでなく、ポリシー勾配最適化のためにより高速に収束する。
論文 参考訳（メタデータ） (2021-11-03T11:13:13Z) - UPDesc: Unsupervised Point Descriptor Learning for Robust Registration [54.95201961399334]
UPDescは、ロバストポイントクラウド登録のためのポイント記述子を学習するための教師なしの方法である。
学習した記述子は既存の教師なし手法よりも優れた性能を示すことを示す。
論文 参考訳（メタデータ） (2021-08-05T17:11:08Z) - Learning Rotation-Invariant Representations of Point Clouds Using
Aligned Edge Convolutional Neural Networks [29.3830445533532]
ポイントクラウド分析は、シーンの深さを正確に測定できる3Dセンサーの開発によって、関心が高まる分野である。
点群解析に深層学習技術を適用することは、これらの手法が見えない回転に一般化できないため、簡単ではありません。
この制限に対処するには、通常、トレーニングデータを強化する必要があり、これは余分な計算につながる可能性があり、より大きなモデルの複雑さを必要とする。
本稿では,局所参照フレーム(LRF)に対する点群の特徴表現を学習する,Aligned Edge Convolutional Neural Network(AECNN)と呼ばれる新しいニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2021-01-02T17:36:00Z) - Unsupervised Metric Relocalization Using Transform Consistency Loss [66.19479868638925]
メートル法再ローカライズを行うためのトレーニングネットワークは、従来、正確な画像対応が必要である。
地図内のクエリ画像のローカライズは、登録に使用される参照画像に関係なく、同じ絶対的なポーズを与えるべきである。
提案手法は, 限られた地下構造情報が得られる場合に, 他の教師あり手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2020-11-01T19:24:27Z) - SoftPoolNet: Shape Descriptor for Point Cloud Completion and
Classification [93.54286830844134]
本稿では,点雲に基づく3次元オブジェクトの補完と分類手法を提案する。
デコーダの段階では,グローバルな活性化エントロピーの最大化を目的とした新しい演算子である地域畳み込みを提案する。
我々は,オブジェクトの完成度や分類,最先端の精度の達成など,異なる3次元タスクに対するアプローチを評価する。
論文 参考訳（メタデータ） (2020-08-17T14:32:35Z) - SEKD: Self-Evolving Keypoint Detection and Description [42.114065439674036]
ラベルのない自然画像から高度な局所特徴モデルを学ぶための自己教師型フレームワークを提案する。
提案手法は, ホモグラフィー推定, 相対的なポーズ推定, および動きからの構造的タスクについてベンチマークする。
トレーニングされたモデルとともに、コードを公開します。
論文 参考訳（メタデータ） (2020-06-09T06:56:50Z)
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。