論文の概要: Reliable Inlier Evaluation for Unsupervised Point Cloud Registration
- arxiv url: http://arxiv.org/abs/2202.11292v1
- Date: Wed, 23 Feb 2022 03:46:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-24 15:52:53.045965
- Title: Reliable Inlier Evaluation for Unsupervised Point Cloud Registration
- Title(参考訳): 教師なしポイントクラウド登録の信頼性評価
- Authors: Yaqi Shen, Le Hui, Haobo Jiang, Jin Xie, Jian Yang
- Abstract要約: 本研究では,ロバストな無監督点雲登録のための周辺コンセンサスに基づく信頼性の高い不整合性評価手法を提案する。
震源近傍とそれに対応する擬似目標近傍の識別的幾何学的差異を効果的不等式識別のために捉えることが期待されている。
教師なし環境下では,ハマー関数に基づく大域的アライメント損失,局所的な地域的コンセンサス損失,空間的一貫性損失をモデル最適化に用いる。
- 参考スコア(独自算出の注目度): 26.883254695961682
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Unsupervised point cloud registration algorithm usually suffers from the
unsatisfied registration precision in the partially overlapping problem due to
the lack of effective inlier evaluation. In this paper, we propose a
neighborhood consensus based reliable inlier evaluation method for robust
unsupervised point cloud registration. It is expected to capture the
discriminative geometric difference between the source neighborhood and the
corresponding pseudo target neighborhood for effective inlier distinction.
Specifically, our model consists of a matching map refinement module and an
inlier evaluation module. In our matching map refinement module, we improve the
point-wise matching map estimation by integrating the matching scores of
neighbors into it. The aggregated neighborhood information potentially
facilitates the discriminative map construction so that high-quality
correspondences can be provided for generating the pseudo target point cloud.
Based on the observation that the outlier has the significant structure-wise
difference between its source neighborhood and corresponding pseudo target
neighborhood while this difference for inlier is small, the inlier evaluation
module exploits this difference to score the inlier confidence for each
estimated correspondence. In particular, we construct an effective graph
representation for capturing this geometric difference between the
neighborhoods. Finally, with the learned correspondences and the corresponding
inlier confidence, we use the weighted SVD algorithm for transformation
estimation. Under the unsupervised setting, we exploit the Huber function based
global alignment loss, the local neighborhood consensus loss, and spatial
consistency loss for model optimization. The experimental results on extensive
datasets demonstrate that our unsupervised point cloud registration method can
yield comparable performance.
- Abstract(参考訳): 教師なしポイントクラウド登録アルゴリズムは通常、効果的な不確実性評価の欠如による部分重複問題における不満足な登録精度に苦しむ。
本稿では,ロバストな無教師ポイントクラウド登録のための地域合意に基づく信頼度評価手法を提案する。
震源近傍とそれに対応する擬似目標近傍の識別的幾何学的差異を効果的に区別するために捉えることが期待される。
具体的には,マッチングマップリファインメントモジュールと不整合評価モジュールから構成される。
マッチングマップリファインメントモジュールでは、隣人のマッチングスコアを組み込むことで、ポイントワイズ対応マップ推定を改善する。
集約された近傍情報は、疑似目標点クラウドを生成するために高品質な対応を提供することができるように、識別マップ構築を容易にする。
外れ値がソース近傍と対応する疑似ターゲット近傍との間に有意な構造的差を有するという観測に基づいて、この外れ値に対する差は小さいが、この差を利用して推定された対応ごとに不確実信頼度をスコアする。
特に,近傍間の幾何学的差異を捉えるための有効なグラフ表現を構築する。
最後に、学習した対応とそれに対応する不整合信頼度を用いて、重み付きSVDアルゴリズムを用いて変換推定を行う。
教師なし環境下では,ハマー関数に基づく大域的アライメント損失,局所的な地域的コンセンサス損失,空間的一貫性損失をモデル最適化に用いる。
広範なデータセットを用いた実験結果から,教師なしのポイントクラウド登録手法が同等の性能を発揮することが示された。
関連論文リスト
- CPR++: Object Localization via Single Coarse Point Supervision [55.8671776333499]
粗い点修正(CPR)は、アルゴリズムの観点からの意味的分散を緩和する最初の試みである。
CPRは、アノテートされた最初のポイントを置き換えるために、近隣地域のセマンティックセンターポイントを選択することで意味のばらつきを減らす。
CPR++は、スケール情報を取得し、グローバル領域における意味的分散をさらに低減することができる。
論文 参考訳(メタデータ) (2024-01-30T17:38:48Z) - Non-Neighbors Also Matter to Kriging: A New Contrastive-Prototypical
Learning [24.701170582359104]
既存の研究は、隣人の情報が、観測されていない対象の属性を推定する基盤を提供すると仮定している。
本研究では,隣人からの貴重な情報を洗練し,非隣人からの情報を再利用するために,KrigingのためのContrastive-Prototypealの自己教師型学習を提案する。
論文 参考訳(メタデータ) (2024-01-23T11:46:31Z) - Overlap Bias Matching is Necessary for Point Cloud Registration [21.584033532099134]
登録される点雲間のオーバーラップは比較的小さい。
部分点クラウド登録のための教師なしネットワーク Overlap Bias Matching Network (OBMNet) を提案する。
論文 参考訳(メタデータ) (2023-08-18T07:47:22Z) - 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) - Robust Outlier Rejection for 3D Registration with Variational Bayes [70.98659381852787]
我々は、ロバストアライメントのための新しい変分非局所ネットワークベース外乱除去フレームワークを開発した。
そこで本稿では, 投票に基づく不整合探索手法を提案し, 変換推定のための高品質な仮説的不整合をクラスタリングする。
論文 参考訳(メタデータ) (2023-04-04T03:48:56Z) - Neighbour Consistency Guided Pseudo-Label Refinement for Unsupervised
Person Re-Identification [80.98291772215154]
教師なしの人物再識別(ReID)は、アノテーションを使わずに人物検索のための識別的アイデンティティの特徴を学習することを目的としている。
近年の進歩はクラスタリングに基づく擬似ラベルを活用することで実現されている。
本稿では, Pseudo Label Refinement フレームワークを提案する。
論文 参考訳(メタデータ) (2022-11-30T09:39:57Z) - Exploiting Sample Uncertainty for Domain Adaptive Person
Re-Identification [137.9939571408506]
各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。
不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
論文 参考訳(メタデータ) (2020-12-16T04:09:04Z) - Making Affine Correspondences Work in Camera Geometry Computation [62.7633180470428]
局所的な特徴は、ポイント・ツー・ポイント対応ではなく、リージョン・ツー・リージョンを提供する。
本稿では,全モデル推定パイプラインにおいて,地域間マッチングを効果的に活用するためのガイドラインを提案する。
実験により、アフィンソルバはより高速な実行時にポイントベースソルバに匹敵する精度を達成できることが示された。
論文 参考訳(メタデータ) (2020-07-20T12:07:48Z) - An Entropy Based Outlier Score and its Application to Novelty Detection
for Road Infrastructure Images [8.746176113214727]
外れ値スコアは、類似性の重み付き正規化エントロピーによって実現される。
目的は、事前に収集されたベースデータセットに基づいて、新たに観測されたインフラストラクチャを特定することである。
外乱スコアの一般化能力を検証するために、様々な実世界のデータセットに適用する。
論文 参考訳(メタデータ) (2020-05-27T11:34:42Z) - Scope Head for Accurate Localization in Object Detection [135.9979405835606]
本研究では,各位置のアンカーを相互依存関係としてモデル化したScopeNetと呼ばれる新しい検出器を提案する。
我々の簡潔で効果的な設計により、提案したScopeNetはCOCOの最先端の成果を達成する。
論文 参考訳(メタデータ) (2020-05-11T04:00:09Z)
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。