論文の概要: A New Outlier Removal Strategy Based on Reliability of Correspondence
Graph for Fast Point Cloud Registration
- arxiv url: http://arxiv.org/abs/2205.07404v1
- Date: Mon, 16 May 2022 00:37:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-17 16:58:11.082250
- Title: A New Outlier Removal Strategy Based on Reliability of Correspondence
Graph for Fast Point Cloud Registration
- Title(参考訳): 高速ポイントクラウド登録のための対応グラフの信頼性に基づく新しい外れ値除去戦略
- Authors: Li Yan, Pengcheng Wei, Hong Xie, Jicheng Dai, Hao Wu, Ming Huang
- Abstract要約: 我々は,点クラウド登録における6-DOF削減プロセスを記述するために,単純で直感的な手法を用いる。
本稿では,対応グラフの信頼性に基づく外乱除去手法を提案する。
提案手法は, 段階的整合パラメータ推定とともに, 高速かつ高精度な外乱除去を実現することができる。
- 参考スコア(独自算出の注目度): 6.8180625547708535
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Registration is a basic yet crucial task in point cloud processing. In
correspondence-based point cloud registration, matching correspondences by
point feature techniques may lead to an extremely high outlier ratio. Current
methods still suffer from low efficiency, accuracy, and recall rate. We use a
simple and intuitive method to describe the 6-DOF (degree of freedom)
curtailment process in point cloud registration and propose an outlier removal
strategy based on the reliability of the correspondence graph. The method
constructs the corresponding graph according to the given correspondences and
designs the concept of the reliability degree of the graph node for optimal
candidate selection and the reliability degree of the graph edge to obtain the
global maximum consensus set. The presented method could achieve fast and
accurate outliers removal along with gradual aligning parameters estimation.
Extensive experiments on simulations and challenging real-world datasets
demonstrate that the proposed method can still perform effective point cloud
registration even the correspondence outlier ratio is over 99%, and the
efficiency is better than the state-of-the-art. Code is available at
https://github.com/WPC-WHU/GROR.
- Abstract(参考訳): 登録は、ポイントクラウド処理において基本的なが重要なタスクである。
対応性に基づく点雲登録では、点特徴法による対応が極めて高い外れ値比をもたらす可能性がある。
現在の手法は、低い効率、正確性、リコールレートに苦しんでいる。
本稿では, 点雲登録における6自由度補正プロセスを記述するために, シンプルで直感的な手法を用い, 対応グラフの信頼性に基づく外乱除去戦略を提案する。
この方法は、与えられた対応に従って対応するグラフを構築し、最適な候補選択のためのグラフノードの信頼性度とグラフエッジの信頼性度の概念を設計し、グローバルな最大コンセンサスセットを得る。
提案手法は, 段階的整合パラメータ推定とともに, 高速かつ高精度な外乱除去を実現することができる。
シミュレーションや実世界のデータセットに挑戦する大規模な実験により,対応外乱比が99%を超えても,提案手法は有効点雲登録が可能であり,その効率は最先端よりも優れていることが示された。
コードはhttps://github.com/WPC-WHU/GRORで公開されている。
関連論文リスト
- PREM: A Simple Yet Effective Approach for Node-Level Graph Anomaly
Detection [65.24854366973794]
ノードレベルのグラフ異常検出(GAD)は、医学、ソーシャルネットワーク、eコマースなどの分野におけるグラフ構造化データから異常ノードを特定する上で重要な役割を果たす。
本稿では,GADの効率を向上させるために,PREM (preprocessing and Matching) という簡単な手法を提案する。
我々のアプローチは、強力な異常検出機能を維持しながら、GADを合理化し、時間とメモリ消費を削減します。
論文 参考訳(メタデータ) (2023-10-18T02:59:57Z) - CONVERT:Contrastive Graph Clustering with Reliable Augmentation [110.46658439733106]
信頼性オーグメンテーション(CONVERT)を用いたContrastiVe Graph ClustEringネットワークを提案する。
本手法では,データ拡張を可逆的パーターブ・リカバリネットワークにより処理する。
セマンティクスの信頼性をさらに保証するために、ネットワークを制約する新たなセマンティクス損失が提示される。
論文 参考訳(メタデータ) (2023-08-17T13:07:09Z) - One-Nearest Neighborhood Guides Inlier Estimation for Unsupervised Point
Cloud Registration [24.275038551236907]
教師なしポイントクラウド登録のための効果的な不整合推定法を提案する。
ソースポイントクラウドと対応するリファレンスポイントクラウドコピーとの間の幾何学的構造整合性を捉える。
提案したモデルを教師なしで訓練し,提案手法の有効性を示す合成および実世界のデータセットの実験を行った。
論文 参考訳(メタデータ) (2023-07-26T08:04:01Z) - Robust-DefReg: A Robust Deformable Point Cloud Registration Method based
on Graph Convolutional Neural Networks [0.0]
本稿では,グラフ畳み込みネットワーク(GCNN)に基づくロバスト・デフレグを提案する。
提案手法は計算効率を保ちながら大変形の高精度化を実現する。
論文 参考訳(メタデータ) (2023-06-07T18:08:11Z) - Learnable Graph Matching: A Practical Paradigm for Data Association [74.28753343714858]
これらの問題に対処するための一般的な学習可能なグラフマッチング法を提案する。
提案手法は,複数のMOTデータセット上での最先端性能を実現する。
画像マッチングでは,一般的な屋内データセットであるScanNetで最先端の手法より優れている。
論文 参考訳(メタデータ) (2023-03-27T17:39:00Z) - Learning Dense Features for Point Cloud Registration Using Graph
Attention Network [0.0]
本稿では,ポイントクラウドマッチングと登録のためのグラフアテンションネットワークを用いて,高密度特徴を効率的かつ経済的に抽出するフレームワークを提案する。
DFGATの検出器は、大規模な生データセットにおいて、信頼性の高いキーポイントを見つける責任がある。
グラフアテンションネットワークは、ポイントクラウド間の関係を強化するアテンションメカニズムを使用している。
論文 参考訳(メタデータ) (2022-06-14T10:28:57Z) - Optimal Propagation for Graph Neural Networks [51.08426265813481]
最適グラフ構造を学習するための二段階最適化手法を提案する。
また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
論文 参考訳(メタデータ) (2022-05-06T03:37:00Z) - Fast and Robust Registration of Partially Overlapping Point Clouds [5.073765501263891]
部分的に重なる点雲のリアルタイム登録は、自動運転車の協調認識に新たな応用をもたらす。
これらのアプリケーションにおける点雲間の相対的な変換は、従来のSLAMやオドメトリーアプリケーションよりも高い。
本稿では,効率の良い特徴エンコーダを用いて対応を学習する部分重複点群に対する新しい登録法を提案する。
論文 参考訳(メタデータ) (2021-12-18T12:39:05Z) - Bayesian Graph Contrastive Learning [55.36652660268726]
本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。
提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。
いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
論文 参考訳(メタデータ) (2021-12-15T01:45:32Z) - Revisiting Point Cloud Simplification: A Learnable Feature Preserving
Approach [57.67932970472768]
MeshとPoint Cloudの単純化手法は、3Dモデルの複雑さを低減しつつ、視覚的品質と関連する健全な機能を維持することを目的としている。
そこで本研究では,正解点の標本化を学習し,高速点雲の簡易化手法を提案する。
提案手法は、入力空間から任意のユーザ定義の点数を選択し、視覚的知覚誤差を最小限に抑えるために、その位置を再配置するよう訓練されたグラフニューラルネットワークアーキテクチャに依存する。
論文 参考訳(メタデータ) (2021-09-30T10:23:55Z) - Feature-metric Registration: A Fast Semi-supervised Approach for Robust
Point Cloud Registration without Correspondences [8.636298281155602]
高速な特徴量ポイントクラウド登録フレームワークを提案する。
対応なしに特徴量プロジェクションエラーを最小限にすることで、登録の最適化を強制する。
提案手法を半教師なしあるいは教師なしの手法で訓練する。
論文 参考訳(メタデータ) (2020-05-03T07:26:59Z)
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。