論文の概要: 3D Point Cloud Registration with Learning-based Matching Algorithm

• arxiv url: http://arxiv.org/abs/2202.02149v4
• Date: Mon, 4 Dec 2023 09:27:15 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-06 02:10:08.069104
• Title: 3D Point Cloud Registration with Learning-based Matching Algorithm
• Title（参考訳）: 学習型マッチングアルゴリズムによる3Dポイントクラウドの登録
• Authors: Rintaro Yanagi, Atsushi Hashimoto, Shusaku Sone, Naoya Chiba, Jiaxin Ma, and Yoshitaka Ushiku
• Abstract要約: 本稿では,3次元点雲登録のための新しい差分マッチングアルゴリズムを提案する。 マッチングアルゴリズムのために特徴抽出器を最適化する代わりに,共同学習した特徴抽出器に最適化された学習ベースマッチングモジュールを提案する。
• 参考スコア（独自算出の注目度）: 14.417543289507543
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a novel differential matching algorithm for 3D point cloud registration. Instead of only optimizing the feature extractor for a matching algorithm, we propose a learning-based matching module optimized to the jointly-trained feature extractor. We focused on edge-wise feature-forwarding architectures, which are memory-consuming but can avoid the over-smoothing effect that GNNs suffer. We improve its memory efficiency to scale it for point cloud registration while investigating the best way of connecting it to the feature extractor. Experimental results show our matching module's significant impact on performance improvement in rigid/non-rigid and whole/partial point cloud registration datasets with multiple contemporary feature extractors. For example, our module boosted the current SOTA method, RoITr, by +5.4%, and +7.2% in the NFMR metric and +6.1% and +8.5% in the IR metric on the 4DMatch and 4DLoMatch datasets, respectively.
• Abstract（参考訳）: 本稿では3次元点雲登録のための新しい差分マッチングアルゴリズムを提案する。 マッチングアルゴリズムのために特徴抽出器を最適化する代わりに,共同学習した特徴抽出器に最適化された学習ベースマッチングモジュールを提案する。 我々は、メモリ消費が多いが、GNNが抱える過度にスムースな効果を回避できるエッジワイド機能フォワードアーキテクチャに焦点を当てた。 我々は、そのメモリ効率を改善し、ポイントクラウド登録のためにスケールし、機能抽出器と接続する最善の方法を調査します。 実験結果から,複数の現代の特徴抽出器を用いた剛性/非剛性および全部分点クラウド登録データセットの性能改善に対する一致モジュールの影響が示唆された。 例えば、我々のモジュールは、現在のsotaメソッドであるroitrを+5.4%、nfmrメトリックを+7.2%、irメトリックを4dmatchと4dlomatchデータセットで+6.1%、+8.5%増やした。

関連論文リスト

• RGBD-Glue: General Feature Combination for Robust RGB-D Point Cloud Registration [0.0]
  より緩く、より効果的に組み合わせられる新しい機能の組み合わせフレームワークを提案する。 変換一貫性に基づいた明示的なフィルタは,各機能の弱点を克服可能な組み合わせフレームワーク用に設計されている。 ScanNet と 3DMatch の実験により,本手法が最先端の性能を実現することを示す。
  論文  参考訳（メタデータ） (2024-05-13T09:56:28Z)
• 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)
• PosDiffNet: Positional Neural Diffusion for Point Cloud Registration in a Large Field of View with Perturbations [27.45001809414096]
  PosDiffNetは、3Dコンピュータビジョンにおけるポイントクラウド登録のモデルである。 ベルトラミフローに基づくグラフニューラル偏微分方程式(PDE)を用いて高次元特徴を求める。 我々は、点雲間のアライメントを容易にするために、高特徴類似度スコアから導かれる多レベル対応を用いる。 我々はPosDiffNetを複数の3Dポイントクラウドデータセット上で評価し、摂動を伴う広い視野でのポイントクラウド登録において、最先端(SOTA)性能を達成することを検証した。
  論文  参考訳（メタデータ） (2024-01-06T08:58:15Z)
• 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)
• CloudAttention: Efficient Multi-Scale Attention Scheme For 3D Point Cloud Learning [81.85951026033787]
  この作業にトランスフォーマーをセットし、それらを形状分類と部分およびシーンセグメンテーションのための階層的なフレームワークに組み込む。 また、各イテレーションにおけるサンプリングとグループ化を活用して、効率的でダイナミックなグローバルなクロスアテンションを計算します。 提案した階層モデルは,最先端の形状分類を平均精度で達成し,従来のセグメンテーション法と同等の結果を得る。
  論文  参考訳（メタデータ） (2022-07-31T21:39:15Z)
• 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)
• Deep Hough Voting for Robust Global Registration [52.40611370293272]
  6次元変換パラメータ空間におけるハフ投票を利用した実世界の3Dスキャンのペア登録のための効率的なフレームワークを提案する。 提案手法は, 3DMatch と 3DLoMatch のベンチマークにおいて, KITTI odometry データセットで同等の性能を達成しながら, 最先端の手法よりも優れている。
  論文  参考訳（メタデータ） (2021-09-09T14:38:06Z)
• 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)
• M3DeTR: Multi-representation, Multi-scale, Mutual-relation 3D Object Detection with Transformers [78.48081972698888]
  M3DeTRは、マルチスケールのフィーチャーピラミッドに基づいて、異なるポイントクラウド表現と異なる機能スケールを組み合わせたものです。 M3DeTRは、複数のポイントクラウド表現、機能スケール、およびトランスを使用してポイントクラウド間の相互関係を同時にモデル化する最初のアプローチです。
  論文  参考訳（メタデータ） (2021-04-24T06:48:23Z)
• PointASNL: Robust Point Clouds Processing using Nonlocal Neural Networks with Adaptive Sampling [39.36827481232841]
  本稿では,ロバストポイントクラウド処理のための新しいエンドツーエンドネットワークであるPointASNLを提案する。 このアプローチの主要なコンポーネントは、アダプティブサンプリング(AS)モジュールです。 私たちのASモジュールは、ポイントクラウドの機能学習の恩恵を受けるだけでなく、アウトレーヤのバイアス効果も緩和します。
  論文  参考訳（メタデータ） (2020-03-01T14:04:08Z)

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。