論文の概要: Long-term Visual Map Sparsification with Heterogeneous GNN
- arxiv url: http://arxiv.org/abs/2203.15182v1
- Date: Tue, 29 Mar 2022 01:46:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-31 07:57:43.420771
- Title: Long-term Visual Map Sparsification with Heterogeneous GNN
- Title(参考訳): 異種GNNを用いた長期視覚マップスカラー化
- Authors: Ming-Fang Chang, Yipu Zhao, Rajvi Shah, Jakob J. Engel, Michael Kaess,
and Simon Lucey
- Abstract要約: 本稿では,環境変化を克服し,将来のローカライゼーションに有用な点を選択することで,地図サイズを同時に削減することを目的とする。
グラフニューラルネットワーク(GNN)の最近の進歩に触発されて,SfMマップを異種グラフとしてモデル化し,GNNを用いて3次元点重要度を推定する最初の研究を提案する。
2つの新しい監督手法が提案されている: 1) トレーニングクエリに基づく将来のローカライゼーションに有用なポイントを選択するためのデータ適合用語、2) スパースポイントをフルマップで選択するためのK-Cover用語。
- 参考スコア(独自算出の注目度): 47.12309045366042
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We address the problem of map sparsification for long-term visual
localization. For map sparsification, a commonly employed assumption is that
the pre-build map and the later captured localization query are consistent.
However, this assumption can be easily violated in the dynamic world.
Additionally, the map size grows as new data accumulate through time, causing
large data overhead in the long term. In this paper, we aim to overcome the
environmental changes and reduce the map size at the same time by selecting
points that are valuable to future localization. Inspired by the recent
progress in Graph Neural Network(GNN), we propose the first work that models
SfM maps as heterogeneous graphs and predicts 3D point importance scores with a
GNN, which enables us to directly exploit the rich information in the SfM map
graph. Two novel supervisions are proposed: 1) a data-fitting term for
selecting valuable points to future localization based on training queries; 2)
a K-Cover term for selecting sparse points with full map coverage. The
experiments show that our method selected map points on stable and widely
visible structures and outperformed baselines in localization performance.
- Abstract(参考訳): 長期視定位における地図スパーシフィケーションの問題点について考察する。
マップスパシフィケーションでは、ビルド前マップと後にキャプチャされたローカライゼーションクエリが一貫性があるという仮定が一般的である。
しかし、この仮定は動的世界において容易に破ることができる。
さらに、新しいデータが蓄積するにつれてマップのサイズが増大し、長期的には大きなデータオーバーヘッドが発生します。
本稿では,環境変化を克服し,将来のローカライゼーションに有用な点を選択することで,地図サイズを同時に削減することを目的とする。
グラフニューラルネットワーク(GNN)の最近の進歩に触発されて、SfMマップを不均一なグラフとしてモデル化し、GNNで3Dポイント重要度を予測し、SfMマップグラフのリッチな情報を直接利用できるようにする。
2つの新しい監督が提案されている。
1) 訓練質問に基づく将来のローカライズに有用なポイントを選択するためのデータフィッティング用語
2)全地図カバレッジを持つスパースポイントを選択するK-Cover項。
実験により, 安定で広く見える構造上の地図ポイントと, ローカライズ性能に優れるベースラインを選定した。
関連論文リスト
- Diffusion-based Data Augmentation for Object Counting Problems [62.63346162144445]
拡散モデルを用いて広範なトレーニングデータを生成するパイプラインを開発する。
拡散モデルを用いて位置ドットマップ上に条件付き画像を生成するのはこれが初めてである。
提案した拡散モデルにおけるカウント損失は,位置ドットマップと生成した群集画像との差を効果的に最小化する。
論文 参考訳(メタデータ) (2024-01-25T07:28:22Z) - Grid Cell-Inspired Fragmentation and Recall for Efficient Map Building [29.630483662400444]
本研究では,FARMap(Fragmentation-and-Recall)の概念を大規模空間のマッピングに適用する。
エージェントは、空間の仮定に基づくクラスタリングを通じて局所写像を構築することで、マッピング問題を解決する。
FARMapは動物実験で観察された断片化点を再現することを示した。
論文 参考訳(メタデータ) (2023-07-11T20:40:19Z) - Neural Map Prior for Autonomous Driving [17.198729798817094]
高精細(HD)セマンティックマップは、自動運転車が都市環境をナビゲートするために不可欠である。
オフラインのHDマップを作成する従来の方法には、労働集約的な手動アノテーションプロセスが含まれる。
近年,オンラインセンサを用いた局所地図作成手法が提案されている。
本研究では,グローバルマップのニューラル表現であるニューラルマッププライオリティ(NMP)を提案する。
論文 参考訳(メタデータ) (2023-04-17T17:58:40Z) - Efficient Map Sparsification Based on 2D and 3D Discretized Grids [47.22997560184043]
マップが大きくなると、より多くのメモリが必要になり、ローカライゼーションが非効率になる。
以前の地図スペーシフィケーション法は、選択されたランドマークの均一分布を強制するために混合整数計画において二次項を追加する。
本稿では,効率的な線形形式で地図スペーシフィケーションを定式化し,2次元離散格子に基づく一様分布ランドマークを選択する。
論文 参考訳(メタデータ) (2023-03-20T05:49:14Z) - Graph-PCNN: Two Stage Human Pose Estimation with Graph Pose Refinement [54.29252286561449]
グラフPCNNと呼ばれる2段階のグラフベースおよびモデルに依存しないフレームワークを提案する。
第1段階では、粗局化結果を得るために熱マップ回帰ネットワークを適用し、ガイドポイントと呼ばれる一連の提案キーポイントをサンプリングする。
第2段階では、各案内点について、ローカライゼーションにより異なる視覚特徴を抽出する。
ガイドされた点間の関係は、より正確なローカライゼーション結果を得るためにグラフポーズ精製モジュールによって探索される。
論文 参考訳(メタデータ) (2020-07-21T04:59:15Z) - Rethinking Localization Map: Towards Accurate Object Perception with
Self-Enhancement Maps [78.2581910688094]
本研究は, カテゴリーラベルのみを監督として, 正確な対象位置分布マップと対象境界を抽出する, 新たな自己強調手法を提案する。
特に、提案されたセルフエンハンスメントマップは、ILSVRC上で54.88%の最先端のローカライゼーション精度を達成する。
論文 参考訳(メタデータ) (2020-06-09T12:35:55Z) - Structural Temporal Graph Neural Networks for Anomaly Detection in
Dynamic Graphs [54.13919050090926]
本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。
特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。
抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
論文 参考訳(メタデータ) (2020-05-15T09:17:08Z) - GPS-Net: Graph Property Sensing Network for Scene Graph Generation [91.60326359082408]
シーングラフ生成(SGG)は、画像内のオブジェクトとそれらのペア関係を検出することを目的としている。
GPS-Netは、エッジ方向情報、ノード間の優先度の差、長期にわたる関係の分布という、SGGの3つの特性を網羅している。
GPS-Netは、VG、OI、VRDの3つの一般的なデータベース上での最先端のパフォーマンスを、さまざまな設定とメトリクスで大幅に向上させる。
論文 参考訳(メタデータ) (2020-03-29T07:22:31Z)
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。