論文の概要: UnPWC-SVDLO: Multi-SVD on PointPWC for Unsupervised Lidar Odometry

• arxiv url: http://arxiv.org/abs/2205.08150v1
• Date: Tue, 17 May 2022 07:37:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-18 14:20:49.586070
• Title: UnPWC-SVDLO: Multi-SVD on PointPWC for Unsupervised Lidar Odometry
• Title（参考訳）: UnPWC-SVDLO:非教師なしライダーオドメトリーのためのPointPWC上のマルチSVD
• Authors: Yiming Tu
• Abstract要約: 高精度ライダーオドメティは自動運転の重要な部分である。 現在の手法は点雲のグローバルな特徴のみを抽出する。 PointPWCはもともと、シーンフロー推定に使われた。 PointPWCは、異なるサンプリングレベルを持つポイントクラウドからポイントレベルの特徴を抽出する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-precision lidar odomety is an essential part of autonomous driving. In recent years, deep learning methods have been widely used in lidar odomety tasks, but most of the current methods only extract the global features of the point clouds. It is impossible to obtain more detailed point-level features in this way. In addition, only the fully connected layer is used to estimate the pose. The fully connected layer has achieved obvious results in the classification task, but the changes in pose are a continuous rather than discrete process, high-precision pose estimation can not be obtained only by using the fully connected layer. Our method avoids problems mentioned above. We use PointPWC as our backbone network. PointPWC is originally used for scene flow estimation. The scene flow estimation task has a strong correlation with lidar odomety. Traget point clouds can be obtained by adding the scene flow and source point clouds. We can achieve the pose directly through ICP algorithm solved by SVD, and the fully connected layer is no longer used. PointPWC extracts point-level features from point clouds with different sampling levels, which solves the problem of too rough feature extraction. We conduct experiments on KITTI, Ford Campus Vision and Lidar DataSe and Apollo-SouthBay Dataset. Our result is comparable with the state-of-the-art unsupervised deep learing method SelfVoxeLO.
• Abstract（参考訳）: 高精度ライダーオドメティは自動運転の重要な部分である。 近年,ライダーオドメティタスクにおいて深層学習法が広く用いられているが,現在の手法のほとんどは点雲のグローバルな特徴を抽出したものである。 このようにしてより詳細な点レベルの特徴を得ることはできない。 さらに、ポーズを推定するために完全に連結された層のみを使用する。 完全連結層は分類タスクで明らかな結果を得たが、ポーズの変化は離散的なプロセスではなく連続的なものであり、高精度なポーズ推定は完全連結層だけでは得られない。 我々の方法は上記の問題を避ける。 バックボーンネットワークとしてPointPWCを使用します。 PointPWCはもともと、シーンフロー推定に使われた。 シーンフロー推定タスクは,lidarオドメティと強い相関関係を有する。 traget point cloudは、シーンフローとソースポイントクラウドを追加することで得られる。 svd によって解かれた icp アルゴリズムによって, 直接ポーズが達成でき, 完全連結層はもはや使われない。 pointpwcは、異なるサンプリングレベルを持つポイントクラウドからポイントレベルの機能を抽出する。 我々は,KITTI,Ford Campus Vision,Lidar DataSe,Apollo-SouthBay Datasetで実験を行った。 我々の結果は、最先端の教師なし深層学習手法であるSelfVoxeLOに匹敵する。

関連論文リスト

• Self-Supervised Scene Flow Estimation with Point-Voxel Fusion and Surface Representation [30.355128117680444]
  シーンフロー推定は、点雲の2つの連続するフレーム間の点の3次元運動場を生成することを目的としている。 既存の点ベースの手法は点雲の不規則性を無視し、長距離依存を捉えるのが困難である。 本稿では,分散グリッドアテンションとシフトウインドウ戦略に基づくボクセルブランチを用いて,長距離依存性を捕捉するポイントボクセル融合法を提案する。
  論文  参考訳（メタデータ） (2024-10-17T09:05:15Z)
• Learning Continuous Implicit Field with Local Distance Indicator for Arbitrary-Scale Point Cloud Upsampling [55.05706827963042]
  点雲アップサンプリングは、疎点雲から密度が高く均一に分散した点集合を生成することを目的としている。 従来のメソッドは通常、スパースポイントクラウドをいくつかのローカルパッチ、アップサンプルパッチポイント、すべてのアップサンプルパッチにマージする。 そこで本研究では,点雲のアップサンプリングのために,局所的な先行者によって導かれる符号のない距離場を学習する手法を提案する。
  論文  参考訳（メタデータ） (2023-12-23T01:52:14Z)
• Point Cloud Pre-training with Diffusion Models [62.12279263217138]
  我々は、ポイントクラウド拡散事前学習(PointDif)と呼ばれる新しい事前学習手法を提案する。 PointDifは、分類、セグメンテーション、検出など、さまざまな下流タスクのために、さまざまな現実世界のデータセット間で大幅に改善されている。
  論文  参考訳（メタデータ） (2023-11-25T08:10:05Z)
• Unsupervised Inference of Signed Distance Functions from Single Sparse Point Clouds without Learning Priors [54.966603013209685]
  3次元点雲から符号付き距離関数(SDF)を推測することは不可欠である。 単一スパース点雲から直接SDFを推定するニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2023-03-25T15:56:50Z)
• PointFlowHop: Green and Interpretable Scene Flow Estimation from Consecutive Point Clouds [49.7285297470392]
  本研究では,PointFlowHopと呼ばれる3次元シーンフローの効率的な推定法を提案する。 ポイントフローホップは2つの連続する点雲を取り、第1点雲の各点の3次元フローベクトルを決定する。 シーンフロー推定タスクを,エゴモーション補償,オブジェクトアソシエーション,オブジェクトワイドモーション推定など,一連のサブタスクに分解する。
  論文  参考訳（メタデータ） (2023-02-27T23:06:01Z)
• CAP-UDF: Learning Unsigned Distance Functions Progressively from Raw Point Clouds with Consistency-Aware Field Optimization [54.69408516025872]
  CAP-UDFは、生の点雲から一貫性を考慮したUDFを学ぶための新しい方法である。 我々は、クエリと近似曲面の関係を徐々に推測するようにニューラルネットワークを訓練する。 学習されたUDFの勾配を用いて表面を抽出する多角化アルゴリズムも導入する。
  論文  参考訳（メタデータ） (2022-10-06T08:51:08Z)
• Self-Supervised Arbitrary-Scale Point Clouds Upsampling via Implicit Neural Representation [79.60988242843437]
  そこで本研究では,自己監督型および倍率フレキシブルな点雲を同時にアップサンプリングする手法を提案する。 実験結果から, 自己教師あり学習に基づく手法は, 教師あり学習に基づく手法よりも, 競争力や性能が向上することが示された。
  論文  参考訳（メタデータ） (2022-04-18T07:18:25Z)
• Fast Point Voxel Convolution Neural Network with Selective Feature Fusion for Point Cloud Semantic Segmentation [7.557684072809662]
  本稿では,ポイントクラウド解析のための軽量畳み込みニューラルネットワークを提案する。 本手法はサンプリングなしで全点集合上で動作し,効率よく性能を向上する。
  論文  参考訳（メタデータ） (2021-09-23T19:39:01Z)
• DeepCLR: Correspondence-Less Architecture for Deep End-to-End Point Cloud Registration [12.471564670462344]
  この研究は、ディープニューラルネットワークを用いたポイントクラウド登録の問題に対処する。 重なり合うデータ内容を持つ2つの点雲間のアライメントを予測する手法を提案する。 提案手法は,最先端の精度と比較手法の最低実行時間を実現する。
  論文  参考訳（メタデータ） (2020-07-22T08:20:57Z)

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。