論文の概要: Neighborhood-aware Geometric Encoding Network for Point Cloud Registration

• arxiv url: http://arxiv.org/abs/2201.12094v1
• Date: Fri, 28 Jan 2022 13:04:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-31 15:45:48.976849
• Title: Neighborhood-aware Geometric Encoding Network for Point Cloud Registration
• Title（参考訳）: 点クラウド登録のための近傍対応幾何エンコーディングネットワーク
• Authors: Lifa Zhu, Haining Guan, Changwei Lin, Renmin Han
• Abstract要約: 周辺を意識した幾何学。 正確なポイントクラウド登録のためのネットワーク(NgeNet)。 NgeNetはモデルに依存しないため、他のネットワークに簡単に移行できる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The distinguishing geometric features determine the success of point cloud registration. However, most point clouds are partially overlapping, corrupted by noise, and comprised of indistinguishable surfaces, which makes it a challenge to extract discriminative features. Here, we propose the Neighborhood-aware Geometric Encoding Network (NgeNet) for accurate point cloud registration. NgeNet utilizes a geometric guided encoding module to take geometric characteristics into consideration, a multi-scale architecture to focus on the semantically rich regions in different scales, and a consistent voting strategy to select features with proper neighborhood size and reject the specious features. The awareness of adaptive neighborhood points is obtained through the multi-scale architecture accompanied by voting. Specifically, the proposed techniques in NgeNet are model-agnostic, which could be easily migrated to other networks. Comprehensive experiments on indoor, outdoor and object-centric synthetic datasets demonstrate that NgeNet surpasses all of the published state-of-the-art methods. The code will be available at https://github.com/zhulf0804/NgeNet.
• Abstract（参考訳）: 幾何的特徴の区別は、点雲登録の成功を決定する。 しかし、ほとんどの点の雲は部分的に重なり、ノイズによって破損し、識別不能な表面で構成されているため、識別的特徴を抽出することは困難である。 本稿では,正確なポイントクラウド登録のためのNighborhood-aware Geometric Encoding Network (NgeNet)を提案する。 NgeNetは幾何学的特徴を考慮に入れた幾何学的ガイド付き符号化モジュール、異なるスケールで意味的にリッチな領域にフォーカスするマルチスケールアーキテクチャ、および適切な近傍サイズを持つ特徴を選択し、特異な特徴を拒絶する一貫した投票戦略を利用する。 適応的な近傍点の認識は、投票を伴うマルチスケールアーキテクチャを通して得られる。 具体的には、NgeNetの手法はモデルに依存しないため、他のネットワークに容易に移行できる。 屋内、屋外、およびオブジェクト中心の合成データセットに関する総合的な実験は、NgeNetが公開された最先端の手法をすべて超越していることを示している。 コードはhttps://github.com/zhulf0804/NgeNetで入手できる。

関連論文リスト

• SGNet: Salient Geometric Network for Point Cloud Registration [35.49985932039906]
  ポイントクラウド登録(PCR)はコンピュータビジョンにおいて重要かつ困難なタスクである。 従来の手法では,パッチブロック間の類似性により不明瞭なマッチングが問題視されていた。 いくつかの新しい手法を含む新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2023-09-12T13:21:12Z)
• Explaining Deep Neural Networks for Point Clouds using Gradient-based Visualisations [1.2891210250935146]
  本研究では,非構造化3次元データの分類を目的としたネットワークの粗い視覚的説明を生成する手法を提案する。 提案手法では,最終特徴写像層に逆流する勾配を用いて,これらの値を入力点クラウド内の対応する点の寄与としてマップする。 このアプローチの汎用性は、シングルオブジェクトネットワークのPointNet、PointNet++、DGCNN、a'scene'ネットワークのVoteNetなど、さまざまなポイントクラウド分類ネットワークでテストされている。
  論文  参考訳（メタデータ） (2022-07-26T15:42:08Z)
• GeoSegNet: Point Cloud Semantic Segmentation via Geometric Encoder-Decoder Modeling [39.35429984469557]
  我々はGeoSegNetと呼ばれるロバストなセマンティックセマンティックセマンティクスネットワークを提案する。 我々のGeoSegNetはマルチジオメトリベースのエンコーダと境界誘導デコーダで構成されている。 実験により,提案手法の精度と対象境界の明瞭度を比較検討し,提案手法を比較検討した。
  論文  参考訳（メタデータ） (2022-07-14T09:24:05Z)
• PointAttN: You Only Need Attention for Point Cloud Completion [89.88766317412052]
  ポイント・クラウド・コンプリート(Point cloud completion)とは、部分的な3次元ポイント・クラウドから3次元の形状を完成させることである。 そこで我々は,kNNを除去するために,ポイントクラウドをポイント単位に処理する新しいニューラルネットワークを提案する。 提案するフレームワークであるPointAttNはシンプルで簡潔で効果的であり、3次元形状の構造情報を正確に捉えることができる。
  論文  参考訳（メタデータ） (2022-03-16T09:20:01Z)
• Differentiable Convolution Search for Point Cloud Processing [114.66038862207118]
  本稿では,点雲上での新しい差分畳み込み探索パラダイムを提案する。 純粋にデータ駆動型であり、幾何学的形状モデリングに適した畳み込みのグループを自動生成することができる。 また,内部畳み込みと外部アーキテクチャの同時探索のための共同最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-29T14:42:03Z)
• ABD-Net: Attention Based Decomposition Network for 3D Point Cloud Decomposition [1.3999481573773074]
  本稿では,ポイントクラウド分解のためのアテンションベース分解ネットワーク(ABD-Net)を提案する。 点雲の原始形状に基づく注意特徴を用いた3次元オブジェクト分類の性能向上を示す。
  論文  参考訳（メタデータ） (2021-07-09T08:39:30Z)
• Learning Geometry-Disentangled Representation for Complementary Understanding of 3D Object Point Cloud [50.56461318879761]
  3次元画像処理のためのGDANet(Geometry-Disentangled Attention Network)を提案する。 GDANetは、点雲を3Dオブジェクトの輪郭と平らな部分に切り離し、それぞれ鋭い変化成分と穏やかな変化成分で表される。 3Dオブジェクトの分類とセグメンテーションベンチマークの実験は、GDANetがより少ないパラメータで最先端の処理を実現していることを示している。
  論文  参考訳（メタデータ） (2020-12-20T13:35:00Z)
• Multi-scale Receptive Fields Graph Attention Network for Point Cloud Classification [35.88116404702807]
  MRFGATアーキテクチャはModelNet10とModelNet40データセットでテストされている。 その結果,形状分類作業における最先端性能が得られた。
  論文  参考訳（メタデータ） (2020-09-28T13:01:28Z)
• 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)
• SSN: Shape Signature Networks for Multi-class Object Detection from Point Clouds [96.51884187479585]
  点雲から形状情報を探索する新しい3次元形状シグネチャを提案する。 対称, 凸船体, チェビシェフフィッティングの操作を取り入れることで, 提案した形状のシグ・ナチュアはコンパクトで有効であるだけでなく, 騒音にも頑健である。 実験により,提案手法は2つの大規模データセット上の既存手法よりも著しく優れた性能を示した。
  論文  参考訳（メタデータ） (2020-04-06T16:01:41Z)
• EdgeNets:Edge Varying Graph Neural Networks [179.99395949679547]
  本稿では、EdgeNetの概念を通じて、最先端グラフニューラルネットワーク(GNN)を統一する一般的なフレームワークを提案する。 EdgeNetはGNNアーキテクチャであり、異なるノードが異なるパラメータを使って異なる隣人の情報を測定することができる。 これは、ノードが実行でき、既存のグラフ畳み込みニューラルネットワーク(GCNN)とグラフアテンションネットワーク(GAT)の1つの定式化の下で包含できる一般的な線形で局所的な操作である。
  論文  参考訳（メタデータ） (2020-01-21T15:51:17Z)

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。