論文の概要: Multi-view Point Cloud Registration based on Evolutionary Multitasking
with Bi-Channel Knowledge Sharing Mechanism
- arxiv url: http://arxiv.org/abs/2205.02996v1
- Date: Fri, 6 May 2022 03:26:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-09 21:20:21.748785
- Title: Multi-view Point Cloud Registration based on Evolutionary Multitasking
with Bi-Channel Knowledge Sharing Mechanism
- Title（参考訳）: 双方向知識共有機構を用いた進化的マルチタスキングに基づくマルチビューポイントクラウド登録
- Authors: Yue Wu, Yibo Liu, Maoguo Gong, Hao Li, Zedong Tang, Qiguang Miao,
Wenping Ma
- Abstract要約: 本稿ではマルチタスク最適化として登録問題をモデル化する。
効率的かつ効率的な問題解決のための新しい双方向知識共有機構を提案する。
- 参考スコア（独自算出の注目度）: 29.232021965321408
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Registration of multi-view point clouds is fundamental in 3D reconstruction.
Since there are close connections between point clouds captured from different
viewpoints, registration performance can be enhanced if these connections be
harnessed properly. Therefore, this paper models the registration problem as
multi-task optimization, and proposes a novel bi-channel knowledge sharing
mechanism for effective and efficient problem solving. The modeling of
multi-view point cloud registration as multi-task optimization are twofold. By
simultaneously considering the local accuracy of two point clouds as well as
the global consistency posed by all the point clouds involved, a fitness
function with an adaptive threshold is derived. Also a framework of the
co-evolutionary search process is defined for the concurrent optimization of
multiple fitness functions belonging to related tasks. To enhance solution
quality and convergence speed, the proposed bi-channel knowledge sharing
mechanism plays its role. The intra-task knowledge sharing introduces aiding
tasks that are much simpler to solve, and useful information is shared within
tasks, accelerating the search process. The inter-task knowledge sharing
explores commonalities buried among tasks, aiming to prevent tasks from getting
stuck to local optima. Comprehensive experiments conducted on model object as
well as scene point clouds show the efficacy of the proposed method.
- Abstract（参考訳）: マルチビューポイント雲の登録は3次元再構成において基本的なものである。
異なる視点から捉えた点群間には密接な接続があるため、これらの接続を適切に利用すれば登録性能を向上させることができる。
そこで本稿では,登録問題をマルチタスク最適化としてモデル化し,効果的な問題解決のための新しい双方向知識共有機構を提案する。
マルチタスク最適化としてのマルチビューポイントクラウド登録のモデリングは2つある。
2つの点雲の局所的精度と、すべての点雲が持つ大域的一貫性を同時に考慮することにより、適応しきい値を持つフィットネス関数を導出する。
また、関連するタスクに属する複数のフィットネス関数の同時最適化のために、共進化探索プロセスのフレームワークを定義する。
解の質と収束速度を高めるため,提案する2チャンネル知識共有機構がその役割を担う。
タスク内知識の共有は、解決がずっと簡単で、有用な情報がタスク内で共有され、検索プロセスが高速化される。
タスク間の知識共有は、タスク間の共通点を探究し、タスクがローカルな最適点に収まらないようにする。
モデルオブジェクトとシーンポイント雲の総合実験により,提案手法の有効性が示された。
関連論文リスト
- RepVF: A Unified Vector Fields Representation for Multi-task 3D Perception [64.80760846124858]
本稿では,様々な知覚タスクの表現を調和させる新しい統一表現RepVFを提案する。
RepVFは、ベクトル場を通じてシーン内の異なるターゲットの構造を特徴付け、シングルヘッドでマルチタスクの学習モデルを可能にする。
RepVF 上に構築された RFTR は,タスク間の固有性を利用したネットワークである。
論文 参考訳（メタデータ） (2024-07-15T16:25:07Z) - A Point-Based Approach to Efficient LiDAR Multi-Task Perception [49.91741677556553]
PAttFormerは、ポイントクラウドにおける共同セマンティックセグメンテーションとオブジェクト検出のための効率的なマルチタスクアーキテクチャである。
他のLiDARベースのマルチタスクアーキテクチャとは異なり、提案したPAttFormerはタスク固有のポイントクラウド表現のために別の機能エンコーダを必要としない。
マルチタスク学習では,mIouでは+1.7%,mAPでは3Dオブジェクト検出では+1.7%,LiDARセマンティックセマンティックセグメンテーションは+1.7%向上した。
論文 参考訳（メタデータ） (2024-04-19T11:24:34Z) - Task-Driven Exploration: Decoupling and Inter-Task Feedback for Joint Moment Retrieval and Highlight Detection [7.864892339833315]
本稿では,共同モーメント検索とハイライト検出のためのタスク駆動型トップダウンフレームワークを提案する。
このフレームワークはタスク固有の共通表現をキャプチャするタスク分離ユニットを導入している。
QVHighlights、TVSum、Charades-STAデータセットに関する総合的な実験と詳細なアブレーション研究は、提案フレームワークの有効性と柔軟性を裏付けるものである。
論文 参考訳（メタデータ） (2024-04-14T14:06:42Z) - A Dynamic Feature Interaction Framework for Multi-task Visual Perception [100.98434079696268]
複数の共通認識課題を解決するための効率的な統合フレームワークを考案する。
これらのタスクには、インスタンスセグメンテーション、セマンティックセグメンテーション、モノクル3D検出、深さ推定が含まれる。
提案するフレームワークはD2BNetと呼ばれ,マルチタスク認識のためのパラメータ効率予測に一意なアプローチを示す。
論文 参考訳（メタデータ） (2023-06-08T09:24:46Z) - Visual Exemplar Driven Task-Prompting for Unified Perception in
Autonomous Driving [100.3848723827869]
本稿では,タスク固有のプロンプトを通じて視覚的見本を提示する,効果的なマルチタスクフレームワークVE-Promptを提案する。
具体的には、境界ボックスと色に基づくマーカーに基づいて視覚的な例を生成し、ターゲットカテゴリの正確な視覚的外観を提供する。
我々は変圧器をベースとしたエンコーダと畳み込み層を橋渡しし、自律運転における効率的かつ正確な統合認識を実現する。
論文 参考訳（メタデータ） (2023-03-03T08:54:06Z) - Evolutionary Multitasking with Solution Space Cutting for Point Cloud
Registration [20.247335152837437]
本研究では,マルチタスク構成を解空間切断の考え方に基づくEMTOによる新規な登録アルゴリズムを提案する。
8つの進化的アプローチ,4つの従来のアプローチ,および3つのディープラーニングアプローチによるオブジェクトスケールおよびシーンスケールの登録データセットと比較し,実験結果から,提案手法の精度および局所最適処理における優れた性能が示された。
論文 参考訳（メタデータ） (2022-12-12T03:32:05Z) - DenseMTL: Cross-task Attention Mechanism for Dense Multi-task Learning [18.745373058797714]
本稿では,相互に相互にタスクを交換するマルチタスク学習アーキテクチャを提案する。
我々は3つのマルチタスク・セットアップにまたがって広範な実験を行い、合成および実世界のベンチマークにおいて競合するベースラインと比較して、我々のアプローチの利点を示している。
論文 参考訳（メタデータ） (2022-06-17T17:59:45Z) - Sign-regularized Multi-task Learning [13.685061061742523]
マルチタスク学習は、パフォーマンスを向上させるために知識を共有するために異なる学習タスクを強制するフレームワークです。
特に、どのタスクが相関して類似しているのか、どのように関連するタスク間で知識を共有するかなどです。
論文 参考訳（メタデータ） (2021-02-22T17:11:15Z) - Decoupled and Memory-Reinforced Networks: Towards Effective Feature
Learning for One-Step Person Search [65.51181219410763]
歩行者検出と識別サブタスクを1つのネットワークで処理するワンステップ方式を開発しました。
現在のワンステップアプローチには2つの大きな課題があります。
本稿では,これらの問題を解決するために,分離メモリ強化ネットワーク(DMRNet)を提案する。
論文 参考訳（メタデータ） (2021-02-22T06:19:45Z) - A Co-Interactive Transformer for Joint Slot Filling and Intent Detection [61.109486326954205]
音声言語理解システム(SLU)を構築する上では,インテント検出とスロットフィリングが主要な2つのタスクである。
以前の研究では、2つのタスクを個別にモデル化するか、インテントからスロットへの単一の情報フローのみを考慮していた。
本稿では,2つのタスク間の相互影響を同時に検討するコ・インターアクティブ・トランスフォーマーを提案する。
論文 参考訳（メタデータ） (2020-10-08T10:16:52Z) - Distributed Primal-Dual Optimization for Online Multi-Task Learning [22.45069527817333]
本稿では,対数学習におけるタスク固有のノイズを捕捉し,実行時効率でプロジェクションフリーな更新を行う適応的原始双対アルゴリズムを提案する。
我々のモデルは、エネルギー不足や帯域制限のあるタスクが更新を延期できるようにするため、分散型の周期接続タスクに適しています。
実験結果から,提案モデルが実世界の様々なデータセットに対して極めて有効であることが確認された。
論文 参考訳（メタデータ） (2020-04-02T23:36:07Z)
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。