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
- Joint Learning for Scattered Point Cloud Understanding with Hierarchical
Self-Distillation [37.42845400904313]
そこで本研究では,部分点雲を高速に補正し,同定するエンド・ツー・エンドアーキテクチャを提案する。
階層型自己蒸留(HSD)は任意の階層ベースの点雲法に適用できる。
論文 参考訳(メタデータ) (2023-12-28T08:51:04Z) - 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) - SCOOP: Self-Supervised Correspondence and Optimization-Based Scene Flow [25.577386156273256]
シーンフロー推定は、連続した観察からシーンの3次元運動を見つけることを目的として、コンピュータビジョンにおける長年の課題である。
そこで本研究では,少量のデータから学習可能なシーンフロー推定手法であるSCOOPについて紹介する。
論文 参考訳(メタデータ) (2022-11-25T10:52:02Z) - 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) - GPCO: An Unsupervised Green Point Cloud Odometry Method [64.86292006892093]
軽量な点状クラウド・オドメトリー法を提案し, GPCO法と名付けた。
GPCOは、連続点雲スキャンの特徴と一致することによって物体の動きを予測する教師なし学習法である。
GPCOは、モデルサイズが大幅に小さく、トレーニング時間も少ないのに対して、ディープラーニング手法のベンチマークを精度で上回ることが観察された。
論文 参考訳(メタデータ) (2021-12-08T00:24:03Z) - 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。