論文の概要: SC^2-PCR: A Second Order Spatial Compatibility for Efficient and Robust Point Cloud Registration

• arxiv url: http://arxiv.org/abs/2203.14453v1
• Date: Mon, 28 Mar 2022 02:41:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-29 15:36:00.456963
• Title: SC^2-PCR: A Second Order Spatial Compatibility for Efficient and Robust Point Cloud Registration
• Title（参考訳）: SC^2-PCR:効率的なロバスト点群登録のための2次空間適合性
• Authors: Zhi Chen, Kun Sun, Fan Yang, Wenbing Tao
• Abstract要約: 本稿では,2次空間整合性(SC2)尺度を提案する。 この測定に基づいて,我々の登録パイプラインは,初期対応から信頼性の高い種子を見つけるために,グローバルスペクトル技術を用いている。 提案手法では,サンプリングを少なくすることで,一定の数の外れ値のないコンセンサス集合を見つけることが保証される。
• 参考スコア（独自算出の注目度）: 32.87420625579577
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we present a second order spatial compatibility (SC^2) measure based method for efficient and robust point cloud registration (PCR), called SC^2-PCR. Firstly, we propose a second order spatial compatibility (SC^2) measure to compute the similarity between correspondences. It considers the global compatibility instead of local consistency, allowing for more distinctive clustering between inliers and outliers at early stage. Based on this measure, our registration pipeline employs a global spectral technique to find some reliable seeds from the initial correspondences. Then we design a two-stage strategy to expand each seed to a consensus set based on the SC^2 measure matrix. Finally, we feed each consensus set to a weighted SVD algorithm to generate a candidate rigid transformation and select the best model as the final result. Our method can guarantee to find a certain number of outlier-free consensus sets using fewer samplings, making the model estimation more efficient and robust. In addition, the proposed SC^2 measure is general and can be easily plugged into deep learning based frameworks. Extensive experiments are carried out to investigate the performance of our method. Code will be available at \url{https://github.com/ZhiChen902/SC2-PCR}.
• Abstract（参考訳）: 本稿では,SC^2-PCRと呼ばれる,効率よくロバストな点雲登録(PCR)のための2次空間整合性(SC^2)測定法を提案する。 まず,対応関係の類似性を計算するための第2次空間適合性(sc^2)法を提案する。 ローカル一貫性ではなく、グローバル互換性を考慮し、初期段階でイリアーと外れ値の間のより特徴的なクラスタリングを可能にする。 この尺度に基づいて, 登録パイプラインは, 初期対応から信頼できる種を見つけるために, グローバルスペクトル手法を用いる。 次に、sc^2測度行列に基づくコンセンサス集合に各シードを展開する2段階戦略を設計する。 最後に、各コンセンサスセットを重み付きSVDアルゴリズムに供給し、候補となる剛性変換を生成し、最終結果として最良のモデルを選択する。 本手法は,少ないサンプリングで一定数の外れ値のないコンセンサス集合を探索できることを保証し,モデル推定をより効率的かつ堅牢にする。 さらに、提案したSC^2測度は一般的なものであり、ディープラーニングベースのフレームワークに簡単にプラグインできる。 本手法の性能を調べるため,大規模な実験を行った。 コードは \url{https://github.com/ZhiChen902/SC2-PCR} で入手できる。

関連論文リスト

• Micro-Structures Graph-Based Point Cloud Registration for Balancing Efficiency and Accuracy [5.70403503863614]
  マイクロ構造グラフに基づくグローバルポイントクラウド登録手法を提案する。 提案手法は3DMatch と ETH のデータセットでよく機能する。
  論文  参考訳（メタデータ） (2024-10-29T08:36:23Z)
• Latent Semantic Consensus For Deterministic Geometric Model Fitting [109.44565542031384]
  我々はLSC(Latent Semantic Consensus)と呼ばれる効果的な方法を提案する。 LSCは、モデルフィッティング問題をデータポイントとモデル仮説に基づく2つの潜在意味空間に定式化する。 LSCは、一般的な多構造モデルフィッティングのために、数ミリ秒以内で一貫した、信頼性の高いソリューションを提供することができる。
  論文  参考訳（メタデータ） (2024-03-11T05:35:38Z)
• Semi-DETR: Semi-Supervised Object Detection with Detection Transformers [105.45018934087076]
  半教師付き物体検出(SSOD)におけるDETRに基づくフレームワークの解析 本報告では,第1次変圧器を用いたエンド・ツー・エンド半教師対象検出器であるSemi-DETRについて述べる。 我々の手法は、最先端の手法をクリアマージンで上回る。
  論文  参考訳（メタデータ） (2023-07-16T16:32:14Z)
• Actor-Critic based Improper Reinforcement Learning [61.430513757337486]
  我々は,未知のマルコフ決定プロセスに対して,学習者に100万ドルのベースコントローラを付与する不適切な強化学習環境を考える。 本稿では,(1)ポリシーグラディエントに基づくアプローチ,(2)単純なアクター・クリティカル・スキームとNatural Actor-Criticスキームを切り替えるアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-07-19T05:55:02Z)
• Rapid Person Re-Identification via Sub-space Consistency Regularization [51.76876061721556]
  Person Re-Identification (ReID) は、歩行者を分離したカメラで識別する。 実値特徴記述子を用いた既存のReID法は精度が高いが、ユークリッド距離計算が遅いため効率が低い。 本稿では,ReID 処理を 0.25 倍高速化するサブスペース一貫性規則化 (SCR) アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-07-13T02:44:05Z)
• Learning to Register Unbalanced Point Pairs [10.369750912567714]
  最近の3D登録法は,大規模あるいは部分的に重複する点対を効果的に扱うことができる。 非平衡点対に対する新しい3次元登録手法であるUPPNetを提案する。
  論文  参考訳（メタデータ） (2022-07-09T08:03:59Z)
• COTReg:Coupled Optimal Transport based Point Cloud Registration [28.730827908402286]
  本稿では,3次元点雲登録の対応性を予測するための学習フレームワークCOTRegを提案する。 2つのマッチングをワッサーシュタイン距離ベースとグロモフ=ワッサーシュタイン距離ベース最適化に変換する。 我々の対応予測パイプラインは、FCGFのような学習ベースの機能やFPFHのような伝統的な記述子に簡単に統合できます。
  論文  参考訳（メタデータ） (2021-12-29T03:20:18Z)
• DANIEL: A Fast and Robust Consensus Maximization Method for Point Cloud Registration with High Outlier Ratios [6.8858952804978335]
  対応ベースのポイントクラウドの登録は、コンピュータビジョン、ロボティクスの知覚、フォトグラム、リモートセンシングの基盤となっている。 現在の3Dキーポイントマッチング技術は、おそらく非常に多くの場合において、外れ値が得られる傾向にある。 本稿では, DANIEL という新しい時間効率RANSAC型コンセンサス解法を提案する。
  論文  参考訳（メタデータ） (2021-10-11T08:27:00Z)
• LSG-CPD: Coherent Point Drift with Local Surface Geometry for Point Cloud Registration [1.8876415010297891]
  剛点雲登録のための局所表面形状法 (LSG-CPD) を用いた CPD と呼ばれる新しい手法を提案する。 本手法は,局所表面の平坦度に基づいて,点対面のペナリゼーションに異なるレベルのペナリゼーションを適応的に付加する。 CPDの現代の実装よりもはるかに高速です。
  論文  参考訳（メタデータ） (2021-03-28T03:46:41Z)
• Determinantal consensus clustering [77.34726150561087]
  本稿では,クラスタリングアルゴリズムのランダム再起動における決定点プロセス (DPP) の利用を提案する。 DPPは部分集合内の中心点の多様性を好んでいる。 DPPとは対照的に、この手法は多様性の確保と、すべてのデータフェースについて良好なカバレッジを得るために失敗することを示す。
  論文  参考訳（メタデータ） (2021-02-07T23:48:24Z)
• RPM-Net: Robust Point Matching using Learned Features [79.52112840465558]
  RPM-Netは、より敏感で、より堅牢なディープラーニングベースのアプローチである。 既存の方法とは異なり、我々のRPM-Netは、部分的な可視性を備えた対応や点雲の欠如を処理します。
  論文  参考訳（メタデータ） (2020-03-30T13:45:27Z)

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。