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

• The Oxford Spires Dataset: Benchmarking Large-Scale LiDAR-Visual Localisation, Reconstruction and Radiance Field Methods [10.265865092323041]
  本稿では,オックスフォードの有名なランドマーク周辺で収集された大規模マルチモーダルデータセットを紹介する。 また、ローカライゼーション、再構築、新規ビュー合成を含むタスクのベンチマークも作成する。 我々のデータセットとベンチマークは、放射場法とSLAMシステムのより良い統合を容易にすることを意図している。
  論文  参考訳（メタデータ） (2024-11-15T19:43:24Z)
• Total Uncertainty Quantification in Inverse PDE Solutions Obtained with Reduced-Order Deep Learning Surrogate Models [50.90868087591973]
  機械学習サロゲートモデルを用いて得られた逆PDE解の総不確かさを近似したベイズ近似法を提案する。 非線型拡散方程式に対する反復的アンサンブルスムーズおよび深層アンサンブル法との比較により,提案手法を検証した。
  論文  参考訳（メタデータ） (2024-08-20T19:06:02Z)
• Embedding Trajectory for Out-of-Distribution Detection in Mathematical Reasoning [50.84938730450622]
  数理推論におけるOOD検出にトラジェクトリボラティリティを用いたトラジェクトリベースのTVスコアを提案する。 本手法は, 数学的推論シナリオ下でのGLM上での従来のアルゴリズムよりも優れる。 提案手法は,複数選択質問などの出力空間における高密度特徴を持つアプリケーションに拡張することができる。
  論文  参考訳（メタデータ） (2024-05-22T22:22:25Z)
• An Accurate and Real-time Relative Pose Estimation from Triple Point-line Images by Decoupling Rotation and Translation [10.05584976985694]
  3D-2D制約は、Visual Odometry (VO) やStructure-from-Motion (SfM) システムで広く使われている。 回転変換デカップリング推定に基づく新しい3次元ポーズ解決器を提案する。
  論文  参考訳（メタデータ） (2024-03-18T10:21:05Z)
• 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)
• 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)
• 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。