論文の概要: Fast Semantic-Assisted Outlier Removal for Large-scale Point Cloud Registration

• arxiv url: http://arxiv.org/abs/2202.10579v1
• Date: Mon, 21 Feb 2022 23:57:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-24 05:59:08.821931
• Title: Fast Semantic-Assisted Outlier Removal for Large-scale Point Cloud Registration
• Title（参考訳）: 大規模クラウド登録のための高速セマンティック支援外乱除去
• Authors: Giang Truong, Huu Le, Alvaro Parra, Syed Zulqarnain Gilani, Syed M. S. Islam, David Suter
• Abstract要約: 美術登録技術によって意味情報をいかに拡張できるかを示す。 我々は, セマンティックセグメンテーションのコストの潜在的な障害だけでなく, 大規模点雲の完全自動登録において, 速度と精度を両立させる障害がないことを実証した。
• 参考スコア（独自算出の注目度）: 23.449842220664102
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: With current trends in sensors (cheaper, more volume of data) and applications (increasing affordability for new tasks, new ideas in what 3D data could be useful for); there is corresponding increasing interest in the ability to automatically, reliably, and cheaply, register together individual point clouds. The volume of data to handle, and still elusive need to have the registration occur fully reliably and fully automatically, mean there is a need to innovate further. One largely untapped area of innovation is that of exploiting the {\em semantic information} of the points in question. Points on a tree should match points on a tree, for example, and not points on car. Moreover, such a natural restriction is clearly human-like - a human would generally quickly eliminate candidate regions for matching based on semantics. Employing semantic information is not only efficient but natural. It is also timely - due to the recent advances in semantic classification capabilities. This paper advances this theme by demonstrating that state of the art registration techniques, in particular ones that rely on "preservation of length under rigid motion" as an underlying matching consistency constraint, can be augmented with semantic information. Semantic identity is of course also preserved under rigid-motion, but also under wider motions present in a scene. We demonstrate that not only the potential obstacle of cost of semantic segmentation, and the potential obstacle of the unreliability of semantic segmentation; are both no impediment to achieving both speed and accuracy in fully automatic registration of large scale point clouds.
• Abstract（参考訳）: センサ(チーパー、データ量の増加)とアプリケーション(新しいタスクの可利用性の向上、新しい3Dデータの有用性)の現在のトレンドにより、個々のポイントクラウドを自動的に、確実に、安価に登録する能力への関心が高まっている。 処理するデータの量、そして依然として、登録が完全に確実に完全に自動的に行われる必要があるため、さらなる革新が必要である。 ほとんど未解決のイノベーションの領域の1つは、問題の点の「意味情報」を活用することである。 例えば、木の点は木の点と一致し、車の点とは一致しない。 さらに、このような自然な制限は明らかに人間に似ている - 人間は一般的に、セマンティクスに基づいたマッチングの候補領域を素早く排除する。 意味情報の活用は効率的であるだけでなく、自然である。 また、セマンティックな分類能力の最近の進歩により、タイムリーである。 本稿では,このテーマを,特に「剛体運動による長さの保存」を基礎とする美術登録技術が,一貫性の制約を満たした意味的情報によって拡張可能であることを示すことにより,その課題を述べる。 意味的アイデンティティは、もちろん剛体運動でも保存されるが、シーンに存在するより広い動きでも保存される。 セマンティックセグメンテーションのコストの潜在的な障害とセマンティックセグメンテーションの不確実性の潜在的な障害は、どちらも大規模ポイントクラウドの完全自動登録における速度と精度の両立を妨げるものではないことを実証する。

関連論文リスト

• SGOR: Outlier Removal by Leveraging Semantic and Geometric Information for Robust Point Cloud Registration [0.8192907805418583]
  現在の登録方法は、ポイント・ツー・ポイントやインスタンスのセマンティック対応生成にのみセマンティクスを使用する。 本稿では,地域投票に基づくセカンダリグラウンドセグメンテーションとゆるやかなセマンティック一貫性を提案する。 アウトドアデータセットにおいて,提案手法は優れた性能を示し,登録リコールの22.5ポイント向上を実現した。
  論文  参考訳（メタデータ） (2024-07-08T18:07:09Z)
• GAFAR: Graph-Attention Feature-Augmentation for Registration A Fast and Light-weight Point Set Registration Algorithm [12.592563880121816]
  点雲の厳格な登録は コンピュータビジョンの根本的な問題です コンピュータビジョンにおけるディープラーニングは、このトピックの研究に新たな動機をもたらした。 本稿では,アテンション機構を用いた高速で軽量なネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-07-05T14:50:36Z)
• A Threefold Review on Deep Semantic Segmentation: Efficiency-oriented, Temporal and Depth-aware design [77.34726150561087]
  我々は、自動運転車のビジョンの文脈において、Deep Semanticの最も関連性があり最近の進歩について調査を行う。 私たちの主な目的は、それぞれの視点で直面している主要な方法、利点、制限、結果、課題に関する包括的な議論を提供することです。
  論文  参考訳（メタデータ） (2023-03-08T01:29:55Z)
• Disentangling Learnable and Memorizable Data via Contrastive Learning for Semantic Communications [81.10703519117465]
  セマンティック・レディにするために、ソースデータをアンタングルする新しい機械推論フレームワークが提案されている。 特に、データ上でインスタンスとクラスタの識別を行う新しいコントラスト学習フレームワークが提案されている。 信頼度の高い深いセマンティッククラスタは、学習可能でセマンティックリッチなデータだと考えられている。 シミュレーションの結果は, セマンティック・インパクトとミニマリズムの観点から, コントラスト学習アプローチの優位性を示した。
  論文  参考訳（メタデータ） (2022-12-18T12:00:12Z)
• Data Augmentation-free Unsupervised Learning for 3D Point Cloud Understanding [61.30276576646909]
  ソフトクラスタリング(SoftClu)と呼ばれる,移動可能な点レベルの特徴を学習するための,ポイントクラウドに対する拡張不要な教師なしアプローチを提案する。 我々は,クラスタに対するポイントのアフィリエイトをプロキシとして利用し,擬似ラベル予測タスクを通じて自己学習を可能にする。
  論文  参考訳（メタデータ） (2022-10-06T10:18:16Z)
• MAPLE: Masked Pseudo-Labeling autoEncoder for Semi-supervised Point Cloud Action Recognition [160.49403075559158]
  本稿では,Pseudo-Labeling autoEncoder (textbfMAPLE) フレームワークを提案する。 特に、MAPLEのバックボーンとして、新規で効率的なtextbfDecoupled textbfspatial-textbftemporal TranstextbfFormer(textbfDestFormer)を設計する。 MAPLEは3つの公開ベンチマークにおいて優れた結果を得て、MSR-Action3の精度を8.08%向上させる。
  論文  参考訳（メタデータ） (2022-09-01T12:32:40Z)
• Towards Robust 3D Object Recognition with Dense-to-Sparse Deep Domain Adaptation [5.763876449960417]
  3次元オブジェクト認識は、インテリジェントな自律エージェントにとって不可欠である。 最先端のアプローチの多くは比較的密集した点雲に依存しており、スパース点雲では性能低下が著しく大きい。 教師なしの領域適応は、密度とスパース点の雲間の差を最小限にすることができる。
  論文  参考訳（メタデータ） (2022-05-07T13:42:43Z)
• DomainMix: Learning Generalizable Person Re-Identification Without Human Annotations [89.78473564527688]
  本稿では,ラベル付き合成データセットとラベル付き実世界のデータセットを用いてユニバーサルモデルをトレーニングする方法を示す。 このように、人間のアノテーションはもはや不要であり、大規模で多様な現実世界のデータセットにスケーラブルである。 実験結果から,提案手法は完全な人間のアノテーションで訓練されたアノテーションとほぼ同等であることがわかった。
  論文  参考訳（メタデータ） (2020-11-24T08:15:53Z)
• Human Correspondence Consensus for 3D Object Semantic Understanding [56.34297279246823]
  本稿では,CorresPondenceNetという新しいデータセットを提案する。 このデータセットに基づいて、新しい測地的整合性損失を伴う密接なセマンティック埋め込みを学習することができる。 CorresPondenceNetは異種オブジェクトの細粒度理解を促進できるだけでなく、クロスオブジェクト登録や部分オブジェクトマッチングも実現できた。
  論文  参考訳（メタデータ） (2019-12-29T04:24:22Z)

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。