論文の概要: The Z-axis, X-axis, Weight and Disambiguation Methods for Constructing
Local Reference Frame in 3D Registration: An Evaluation
- arxiv url: http://arxiv.org/abs/2204.08024v1
- Date: Sun, 17 Apr 2022 14:29:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-19 16:05:47.841958
- Title: The Z-axis, X-axis, Weight and Disambiguation Methods for Constructing
Local Reference Frame in 3D Registration: An Evaluation
- Title(参考訳): 3次元登録における局所参照フレーム構築のためのz軸, x軸, 重みおよび曖昧性評価法の検討
- Authors: Bao Zhao, Xianyong Fang, Jiahui Yue, Xiaobo Chen, Xinyi Le, Chanjuan
Zhao
- Abstract要約: 局所参照フレーム(LRF)は3次元局所特徴記述子構築と3次元変換推定に広く用いられている。
我々は既存のLRFにおけるz軸、x軸、重み、曖昧さを包括的に解析する。
いくつかの新しい設計されたRF軸は、最先端のものよりも優れた性能を示す。
- 参考スコア(独自算出の注目度): 4.336901937785687
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The local reference frame (LRF), as an independent coordinate system
generated on a local 3D surface, is widely used in 3D local feature descriptor
construction and 3D transformation estimation which are two key steps in the
local method-based surface matching. There are numerous LRF methods have been
proposed in literatures. In these methods, the x- and z-axis are commonly
generated by different methods or strategies, and some x-axis methods are
implemented on the basis of a z-axis being given. In addition, the weight and
disambiguation methods are commonly used in these LRF methods. In existing
evaluations of LRF, each LRF method is evaluated with a complete form. However,
the merits and demerits of the z-axis, x-axis, weight and disambiguation
methods in LRF construction are unclear. In this paper, we comprehensively
analyze the z-axis, x-axis, weight and disambiguation methods in existing LRFs,
and obtain six z-axis and eight x-axis, five weight and two disambiguation
methods. The performance of these methods are comprehensively evaluated on six
standard datasets with different application scenarios and nuisances.
Considering the evaluation outcomes, the merits and demerits of different
weight, disambiguation, z- and x-axis methods are analyzed and summarized. The
experimental result also shows that some new designed LRF axes present superior
performance compared with the state-of-the-art ones.
- Abstract(参考訳): 局所的な3次元表面上で生成される独立座標系である局所参照フレーム(LRF)は,局所的な特徴記述子の構築と3次元変換推定において広く用いられている。
文献では多くのRF法が提案されている。
これらの方法では、x軸とz軸は異なる方法や戦略によって一般的に生成され、z軸に基づいていくつかのx軸法が実装される。
加えて、これらのLRF法では重みと曖昧さの方法が一般的である。
既存のLRF評価では, 各LRF法は完全形式で評価される。
しかし、LRF構造におけるz軸、x軸、重みおよび曖昧さの利点とデメリットは明らかでない。
本稿では,既存のLRFにおけるz軸,x軸,重みおよび曖昧化法を包括的に解析し,z軸と8つのx軸,5つの重みと2つの曖昧化法を得る。
これらの手法の性能は、異なるアプリケーションシナリオとニュアンスを持つ6つの標準データセットで総合的に評価される。
評価結果を考慮すると、異なる重量のメリットとデメリット、曖昧さ、z軸およびx軸法を分析して要約する。
また, 実験結果から, 新設計のRF軸は, 最先端のRF軸よりも優れた性能を示した。
関連論文リスト
- Score-based Source Separation with Applications to Digital Communication
Signals [72.6570125649502]
拡散モデルを用いた重畳音源の分離手法を提案する。
高周波(RF)システムへの応用によって、我々は、基礎となる離散的な性質を持つ情報源に興味を持っている。
提案手法は,最近提案されたスコア蒸留サンプリング方式のマルチソース拡張と見なすことができる。
論文 参考訳(メタデータ) (2023-06-26T04:12:40Z) - MV-JAR: Masked Voxel Jigsaw and Reconstruction for LiDAR-Based
Self-Supervised Pre-Training [58.07391711548269]
Masked Voxel Jigsaw and Reconstruction (MV-JAR) method for LiDAR-based self-supervised pre-training
Masked Voxel Jigsaw and Reconstruction (MV-JAR) method for LiDAR-based self-supervised pre-training
論文 参考訳(メタデータ) (2023-03-23T17:59:02Z) - Learning Stereopsis from Geometric Synthesis for 6D Object Pose
Estimation [11.999630902627864]
現在のモノクラーベース6Dオブジェクトポーズ推定法は、一般的にRGBDベースの手法よりも競争力の低い結果が得られる。
本稿では,短いベースライン2ビュー設定による3次元幾何体積に基づくポーズ推定手法を提案する。
実験により,本手法は最先端の単分子法よりも優れ,異なる物体やシーンにおいて堅牢であることが示された。
論文 参考訳(メタデータ) (2021-09-25T02:55:05Z) - Improving Metric Dimensionality Reduction with Distributed Topology [68.8204255655161]
DIPOLEは、局所的、計量的項と大域的、位相的項の両方で損失関数を最小化し、初期埋め込みを補正する次元推論後処理ステップである。
DIPOLEは、UMAP、t-SNE、Isomapといった一般的な手法よりも多くの一般的なデータセットで優れています。
論文 参考訳(メタデータ) (2021-06-14T17:19:44Z) - FS-Net: Fast Shape-based Network for Category-Level 6D Object Pose
Estimation with Decoupled Rotation Mechanism [49.89268018642999]
6次元ポーズ推定のための効率的なカテゴリレベルの特徴抽出が可能な高速形状ベースネットワーク(FS-Net)を提案する。
提案手法は,カテゴリレベルおよびインスタンスレベルの6Dオブジェクトのポーズ推定における最先端性能を実現する。
論文 参考訳(メタデータ) (2021-03-12T03:07:24Z) - DMLO: Deep Matching LiDAR Odometry [24.245702652854217]
Deep Matching LiDAR Odometry (DMLO) は,LiDAR odometry タスクに適用可能な特徴マッチング手法を実現する,新しい学習ベースのフレームワークである。
我々のフレームワークは既存の学習手法を劇的に上回り、最先端の幾何学的アプローチに匹敵することを示す。
論文 参考訳(メタデータ) (2020-04-08T03:52:49Z) - There and Back Again: Revisiting Backpropagation Saliency Methods [87.40330595283969]
正当性法は,各入力サンプルの重要度マップを作成することによって,モデルの予測を説明する。
このような手法の一般的なクラスは、信号のバックプロパゲートと結果の勾配の分析に基づいている。
本稿では,そのような手法を統一可能な単一のフレームワークを提案する。
論文 参考訳(メタデータ) (2020-04-06T17:58:08Z) - Stein Variational Inference for Discrete Distributions [70.19352762933259]
離散分布を等価なピースワイズ連続分布に変換する単純な一般フレームワークを提案する。
提案手法は,ギブスサンプリングや不連続ハミルトニアンモンテカルロといった従来のアルゴリズムよりも優れている。
我々は,この手法がバイナライズニューラルネットワーク(BNN)のアンサンブルを学習するための有望なツールであることを実証した。
さらに、そのような変換は、勾配のないカーネル化されたStein差分に簡単に適用でき、離散分布の良性(GoF)テストを実行することができる。
論文 参考訳(メタデータ) (2020-03-01T22:45:41Z) - LRF-Net: Learning Local Reference Frames for 3D Local Shape Description
and Matching [21.119652628446936]
局所参照フレーム(LRF)は3次元局所形状記述およびマッチングにおいて重要な役割を果たす。
本稿では,弱い監督しか必要としないシームズネットワークを通じてLRFを学習する試みについて述べる。
論文 参考訳(メタデータ) (2020-01-22T00:52:48Z)
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。