論文の概要: Object Scan Context: Object-centric Spatial Descriptor for Place Recognition within 3D Point Cloud Map

• arxiv url: http://arxiv.org/abs/2206.03062v3
• Date: Mon, 13 Nov 2023 14:00:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-14 23:08:08.132833
• Title: Object Scan Context: Object-centric Spatial Descriptor for Place Recognition within 3D Point Cloud Map
• Title（参考訳）: オブジェクトスキャンコンテキスト:3Dポイントクラウドマップ内の位置認識のためのオブジェクト中心空間記述子
• Authors: Haodong Yuan, Yudong Zhang, Shengyin Fan, Xue Li and Jian Wang
• Abstract要約: 主オブジェクトを中心に構築された新しいローカル記述子を提案する。 幾何的手法を用いることで、相対的なポーズを正確に計算できる。 我々は, KITTI Odometry と KITTI360 について広範な実験を行った。
• 参考スコア（独自算出の注目度）: 11.183837437300985
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The integration of a SLAM algorithm with place recognition technology empowers it with the ability to mitigate accumulated errors and to relocalize itself. However, existing methods for point cloud-based place recognition predominantly rely on the matching of descriptors, which are mostly lidar-centric. These methods suffer from two major drawbacks: first, they cannot perform place recognition when the distance between two point clouds is significant, and second, they can only calculate the rotation angle without considering the offset in the X and Y directions. To overcome these limitations, we propose a novel local descriptor that is constructed around the Main Object. By using a geometric method, we can accurately calculate the relative pose. We have provided a theoretical analysis to demonstrate that this method can overcome the aforementioned limitations. Furthermore, we conducted extensive experiments on KITTI Odometry and KITTI360, which indicate that our proposed method has significant advantages over state-of-the-art methods.
• Abstract（参考訳）: SLAMアルゴリズムと位置認識技術を統合することで、蓄積したエラーを軽減し、自身を再ローカライズすることが可能になる。 しかし、既存のポイントクラウドベースの位置認識の方法は、主にlidar中心のディスクリプタのマッチングに依存している。 これらの手法には2つの大きな欠点がある: 第一に、二つの点雲の間の距離が大きいときに位置認識を行うことができず、第二に、X方向とY方向のオフセットを考慮せずに回転角を計算できる。 これらの制約を克服するため,我々は,メインオブジェクトを中心に構築した新しいローカルディスクリプタを提案する。 幾何的手法を用いることで、相対的なポーズを正確に計算できる。 本手法が上記の限界を克服できることを示す理論的解析を行った。 さらに, KITTI Odometry と KITTI360 について広範な実験を行った。

関連論文リスト

• Dense Center-Direction Regression for Object Counting and Localization with Point Supervision [1.9526430269580954]
  本稿では,CeDiRNetと呼ばれる新しい学習手法を提案する。 最寄りの物体中心を向いている方向の高密度な回帰を利用する。 既存の最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-08-26T17:49:27Z)
• VNI-Net: Vector Neurons-based Rotation-Invariant Descriptor for LiDAR Place Recognition [10.049145949807505]
  本稿では,ベクトルニューロンネットワーク(VNN)を用いてSO(3)回転不変性を実現する手法を提案する。 回転不変記述子を定式化する場合の有意な情報損失に対処するために,異なる層における特徴間の計算距離を提案する。
  論文  参考訳（メタデータ） (2023-08-24T15:47:21Z)
• Improving Online Lane Graph Extraction by Object-Lane Clustering [106.71926896061686]
  本稿では,局所レーングラフの推定精度を向上させるために,アーキテクチャと損失の定式化を提案する。 提案手法は,中心線をクラスタ中心とすることで,対象を中心線に割り当てることを学ぶ。 提案手法は既存の3次元オブジェクト検出手法の出力を用いて,大幅な性能向上を実現することができることを示す。
  論文  参考訳（メタデータ） (2023-07-20T15:21:28Z)
• OriCon3D: Effective 3D Object Detection using Orientation and Confidence [0.0]
  1つの画像から3次元物体を検出するための高度な手法を提案する。 我々は、深層畳み込みニューラルネットワークに基づく3Dオブジェクト重み付け指向回帰パラダイムを用いる。 提案手法は, 3次元オブジェクトのポーズ決定の精度を大幅に向上し, ベースライン法を超越した。
  論文  参考訳（メタデータ） (2023-04-27T19:52:47Z)
• Quadric Representations for LiDAR Odometry, Mapping and Localization [93.24140840537912]
  現在のLiDARオードメトリ、マッピング、ローカライズ手法は、3Dシーンのポイントワイズ表現を利用する。 3次元オブジェクトのよりコンパクトな表現である2次元曲面を用いたシーン記述法を提案する。 提案手法は低レイテンシとメモリの有効性を維持しつつ、競争力があり、しかも精度も優れている。
  論文  参考訳（メタデータ） (2023-04-27T13:52:01Z)
• SASA: Semantics-Augmented Set Abstraction for Point-based 3D Object Detection [78.90102636266276]
  SASA(Semantics-Augmented Set Abstraction)と呼ばれる新しい集合抽象化手法を提案する。 そこで本研究では, 推定点前景スコアに基づいて, より重要な前景点の維持を支援するセマンティックス誘導点サンプリングアルゴリズムを提案する。 実際には、SASAは、前景オブジェクトに関連する貴重な点を識別し、ポイントベースの3D検出のための特徴学習を改善するのに有効である。
  論文  参考訳（メタデータ） (2022-01-06T08:54:47Z)
• 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)
• Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
  本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。 まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。 そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
  論文  参考訳（メタデータ） (2020-11-25T14:00:18Z)
• 1-Point RANSAC-Based Method for Ground Object Pose Estimation [5.954779483701331]
  オブジェクトのポーズは、RANSACベースのスキームでn = 3, 4を検出するアルゴリズムで計算される。 しかし、計算複雑性はnとともに増加し、高い複雑性は複数のオブジェクトのポーズをリアルタイムで推定するデバイスに深刻な歪みを課す。 本論文では,1点RANSACに基づくオブジェクトのポーズを地上で推定する効率的な手法を提案する。
  論文  参考訳（メタデータ） (2020-08-09T12:58:58Z)
• Robust 6D Object Pose Estimation by Learning RGB-D Features [59.580366107770764]
  本稿では、この局所最適問題を解くために、回転回帰のための離散連続的な新しい定式化を提案する。 我々はSO(3)の回転アンカーを均一にサンプリングし、各アンカーから目標への制約付き偏差を予測し、最適な予測を選択するための不確実性スコアを出力する。 LINEMOD と YCB-Video の2つのベンチマーク実験により,提案手法が最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2020-02-29T06:24:55Z)
• Object as Hotspots: An Anchor-Free 3D Object Detection Approach via Firing of Hotspots [37.16690737208046]
  オブジェクトレベルのアンカーを用いた既存のメソッドとは逆のアプローチを論じる。 構成モデルに着想を得て、内部の空でないボクセルの組成として、ホットスポットと呼ばれる物体を提案する。 提案手法は,OHSに基づく新しい地中真理割当て戦略を用いたアンカーフリー検出ヘッドを提案する。
  論文  参考訳（メタデータ） (2019-12-30T03:02:22Z)

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。