Fugu-MT 論文翻訳(概要): PCRP: Unsupervised Point Cloud Object Retrieval and Pose Estimation

論文の概要: PCRP: Unsupervised Point Cloud Object Retrieval and Pose Estimation

arxiv url: http://arxiv.org/abs/2202.07843v1
Date: Wed, 16 Feb 2022 03:37:43 GMT
ステータス: 処理完了
システム内更新日: 2022-02-17 15:16:19.242221
Title: PCRP: Unsupervised Point Cloud Object Retrieval and Pose Estimation
Title（参考訳）: pcrp:教師なしポイントクラウドオブジェクト検索とポーズ推定
Authors: Pranav Kadam, Qingyang Zhou, Shan Liu, C.-C. Jay Kuo
Abstract要約: そこで本研究では,PCRPと呼ばれる,教師なしのクラウドオブジェクトの検索とポーズ推定手法を提案する。 ModelNet40データセットの実験は、従来の学習ベースの手法と比較して、PCRPの優れた性能を示している。
参考スコア（独自算出の注目度）: 50.3020332934185
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: An unsupervised point cloud object retrieval and pose estimation method, called PCRP, is proposed in this work. It is assumed that there exists a gallery point cloud set that contains point cloud objects with given pose orientation information. PCRP attempts to register the unknown point cloud object with those in the gallery set so as to achieve content-based object retrieval and pose estimation jointly, where the point cloud registration task is built upon an enhanced version of the unsupervised R-PointHop method. Experiments on the ModelNet40 dataset demonstrate the superior performance of PCRP in comparison with traditional and learning based methods.
Abstract（参考訳）: そこで本研究では,PCRPと呼ばれる,教師なしのクラウドオブジェクトの検索とポーズ推定手法を提案する。所定のポーズ方向情報を持つ点クラウドオブジェクトを含むギャラリーポイントクラウドセットが存在すると仮定される。 pcrpは、未知のポイントクラウドオブジェクトをギャラリーのオブジェクトに登録し、コンテンツベースのオブジェクトの検索とポーズ推定を共同で行おうとする。 ModelNet40データセットの実験は、従来の学習ベースの手法と比較してPCRPの優れた性能を示している。

関連論文リスト

Trainable Pointwise Decoder Module for Point Cloud Segmentation [12.233802912441476]
ポイントクラウドセグメンテーション(PCS)は、ポイントごとの予測を行い、ロボットや自動運転車が環境を理解することを可能にすることを目的としている。後処理手法としてトレーニング可能なポイントワイズデコーダモジュール(PDM)を提案する。また、データ拡張に仮想レンジ画像誘導コピー・ロータート・ペースト戦略を導入する。
論文参考訳（メタデータ） (2024-08-02T19:29:35Z)
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)
One-Nearest Neighborhood Guides Inlier Estimation for Unsupervised Point Cloud Registration [24.275038551236907]
教師なしポイントクラウド登録のための効果的な不整合推定法を提案する。ソースポイントクラウドと対応するリファレンスポイントクラウドコピーとの間の幾何学的構造整合性を捉える。提案したモデルを教師なしで訓練し,提案手法の有効性を示す合成および実世界のデータセットの実験を行った。
論文参考訳（メタデータ） (2023-07-26T08:04:01Z)
PointCaM: Cut-and-Mix for Open-Set Point Cloud Learning [72.07350827773442]
我々は,新しいポイントカット・アンド・ミクス機構を用いて,オープンセットのクラウド学習を解決することを提案する。トレーニング段階では,Unknown-Point Simulatorを用いてアウト・オブ・ディストリビューションデータをシミュレートする。 Unknown-Point Estimatorモジュールは、既知のデータを識別するために、ポイントクラウドの機能コンテキストを活用することを学ぶ。
論文参考訳（メタデータ） (2022-12-05T03:53:51Z)
Upsampling Autoencoder for Self-Supervised Point Cloud Learning [11.19408173558718]
人間のアノテーションを使わずに、ポイントクラウド学習のための自己教師付き事前学習モデルを提案する。アップサンプリング操作は、ポイントクラウドの高レベルセマンティック情報と低レベル幾何情報の両方を捕捉することをネットワークに促す。我々のUAEは、形状分類、部分分割、点雲アップサンプリングタスクにおいて、従来の最先端手法よりも優れています。
論文参考訳（メタデータ） (2022-03-21T07:20:37Z)
GPCO: An Unsupervised Green Point Cloud Odometry Method [64.86292006892093]
軽量な点状クラウド・オドメトリー法を提案し, GPCO法と名付けた。 GPCOは、連続点雲スキャンの特徴と一致することによって物体の動きを予測する教師なし学習法である。 GPCOは、モデルサイズが大幅に小さく、トレーニング時間も少ないのに対して、ディープラーニング手法のベンチマークを精度で上回ることが観察された。
論文参考訳（メタデータ） (2021-12-08T00:24:03Z)
3D Object Classification on Partial Point Clouds: A Practical Perspective [91.81377258830703]
点雲は3次元オブジェクト分類において一般的な形状表現である。本稿では,任意のポーズの下でオブジェクトインスタンスの部分点雲を分類する実践的な設定を提案する。本稿では,アライメント分類手法による新しいアルゴリズムを提案する。
論文参考訳（メタデータ） (2020-12-18T04:00:56Z)
Unsupervised Point Cloud Registration via Salient Points Analysis (SPA) [57.62713515497585]
本研究では,SPA (Salient Point Analysis) と呼ばれる非教師付きポイントクラウド登録手法を提案する。まず、ポイントホップ++法を点点に当てはめ、点の局所的な表面特性に基づいて2点の正解点を見つけ、対応する正解点と整合して登録を行う。 SPA法の有効性は,ModelNet-40データセットから,見かけや見えないクラスやノイズの多い点群に対する実験によって実証される。
論文参考訳（メタデータ） (2020-09-02T18:40:37Z)
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)

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。