論文の概要: UTOPIC: Uncertainty-aware Overlap Prediction Network for Partial Point
Cloud Registration
- arxiv url: http://arxiv.org/abs/2208.02712v2
- Date: Mon, 8 Aug 2022 08:27:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-09 10:36:39.257818
- Title: UTOPIC: Uncertainty-aware Overlap Prediction Network for Partial Point
Cloud Registration
- Title(参考訳): UTOPIC: 部分点クラウド登録のための不確実性認識オーバーラップ予測ネットワーク
- Authors: Zhilei Chen, Honghua Chen, Lina Gong, Xuefeng Yan, Jun Wang, Yanwen
Guo, Jing Qin, Mingqiang Wei
- Abstract要約: 本稿では,不確実な重複予測問題に対処するため,UTOPICと呼ばれる新しい不確実性を考慮した重複予測ネットワークを提案する。
特徴抽出器は,補完デコーダを通じて形状知識を暗黙的に知覚し,トランスフォーマーに幾何学的関係を埋め込む。
より信頼性の高い重複スコアとより正確な密接な対応の利点により、UTOPICは安定した正確な登録結果を得ることができる。
- 参考スコア(独自算出の注目度): 34.921141735367655
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: High-confidence overlap prediction and accurate correspondences are critical
for cutting-edge models to align paired point clouds in a partial-to-partial
manner. However, there inherently exists uncertainty between the overlapping
and non-overlapping regions, which has always been neglected and significantly
affects the registration performance. Beyond the current wisdom, we propose a
novel uncertainty-aware overlap prediction network, dubbed UTOPIC, to tackle
the ambiguous overlap prediction problem; to our knowledge, this is the first
to explicitly introduce overlap uncertainty to point cloud registration.
Moreover, we induce the feature extractor to implicitly perceive the shape
knowledge through a completion decoder, and present a geometric relation
embedding for Transformer to obtain transformation-invariant geometry-aware
feature representations. With the merits of more reliable overlap scores and
more precise dense correspondences, UTOPIC can achieve stable and accurate
registration results, even for the inputs with limited overlapping areas.
Extensive quantitative and qualitative experiments on synthetic and real
benchmarks demonstrate the superiority of our approach over state-of-the-art
methods.
- Abstract(参考訳): 高信頼重なり予測と正確な対応は、一対の点雲を部分的から部分的な方法で整列させる最先端モデルにとって重要である。
しかし、重複領域と重複しない領域の間には本質的に不確実性があり、これは常に無視され、登録性能に大きな影響を及ぼす。
そこで本研究では,不確実性を考慮した新しい重なり予測ネットワーク「utopic」を提案し,曖昧な重なり予測問題に取り組む。
さらに,コンプリートデコーダを用いて形状知識を暗黙的に知覚する特徴抽出器を誘導し,トランスフォーマーの幾何学的関係埋め込みを行い,変換不変な幾何学的特徴表現を得る。
より信頼性の高い重複スコアとより正確な密接な対応の利点により、UTOPICは限られた重複領域を持つ入力に対しても安定した正確な登録結果を得ることができる。
合成および実ベンチマークにおける大規模定量的および定性的実験は、我々のアプローチが最先端の手法よりも優れていることを示す。
関連論文リスト
- From Registration Uncertainty to Segmentation Uncertainty [11.294691606431526]
本稿では, 画像登録において, エピステミックとアレタリックのセグメンテーションの不確実性の両方を同時に推定する新しい枠組みを提案する。
既存の登録不確実性を推定する手法とともにセグメンテーションの不確実性を導入することにより、画像登録の異なる段階における潜在的な不確実性について重要な洞察を提供する。
論文 参考訳(メタデータ) (2024-03-08T07:16:14Z) - Disentangled Representation Learning with Transmitted Information
Bottleneck [73.0553263960709]
textbfDisTIB (textbfTransmitted textbfInformation textbfBottleneck for textbfDisd representation learning) は情報圧縮と保存のバランスを保った新しい目的である。
論文 参考訳(メタデータ) (2023-11-03T03:18:40Z) - DUDES: Deep Uncertainty Distillation using Ensembles for Semantic
Segmentation [11.099838952805325]
予測の不確実性の定量化は、そのようなアプリケーションにディープニューラルネットワークを使用するための、有望な取り組みである。
本稿では,アンサンブルを用いた深部不確実性蒸留(DuDES)と呼ばれる,効率的かつ確実な不確実性評価手法を提案する。
DUDESはディープ・アンサンブル(Deep Ensemble)による学生-教師の蒸留を適用し、予測の不確かさを1つの前方パスで正確に推定する。
論文 参考訳(メタデータ) (2023-03-17T08:56:27Z) - Reliability-Adaptive Consistency Regularization for Weakly-Supervised
Point Cloud Segmentation [80.07161039753043]
極端に限られたラベルを持つ弱教師付きポイントクラウドセグメンテーションは、高額な注釈付き3Dポイントの収集コストを軽減するのが望ましい。
本稿では、弱教師付き学習において一般的に用いられる一貫性の正則化を、複数のデータ固有の拡張を伴うポイントクラウドに適用することを検討する。
疑似ラベルの信頼性を評価するために,予測信頼性とモデル不確実性を両立させる新しい信頼性適応整合ネットワーク(RAC-Net)を提案する。
論文 参考訳(メタデータ) (2023-03-09T10:41:57Z) - UIA-ViT: Unsupervised Inconsistency-Aware Method based on Vision
Transformer for Face Forgery Detection [52.91782218300844]
そこで我々は、UIA-ViTと呼ばれるビジョン変換器に基づく教師なし不整合認識手法を提案する。
自己注意機構により、パッチ埋め込み間の注意マップは自然に一貫性関係を表現し、一貫性表現学習に適した視覚変換器となる。
論文 参考訳(メタデータ) (2022-10-23T15:24:47Z) - PDC-Net+: Enhanced Probabilistic Dense Correspondence Network [161.76275845530964]
高度確率密度対応ネットワーク(PDC-Net+)は、精度の高い高密度対応を推定できる。
我々は、堅牢で一般化可能な不確実性予測に適したアーキテクチャと強化されたトレーニング戦略を開発する。
提案手法は,複数の挑戦的幾何マッチングと光学的フローデータセットに対して,最先端の結果を得る。
論文 参考訳(メタデータ) (2021-09-28T17:56:41Z) - Spatially Varying Label Smoothing: Capturing Uncertainty from Expert
Annotations [19.700271444378618]
画像分割のタスクは、解剖学的構造間の境界の正確な位置に関する曖昧さのために本質的に騒々しい。
我々は、この情報は専門家のアノテーションから余分なコストで抽出することができ、ソフト確率予測と基礎となる不確実性の間の校正を改善することができると論じる。
そこで我々は,アウトプット予測の校正に有効であることを示す基底真理ラベルの'blurred'バージョン上でネットワークをトレーニングするラベル平滑化(ls)を構築した。
論文 参考訳(メタデータ) (2021-04-12T19:35:51Z) - Learning Accurate Dense Correspondences and When to Trust Them [161.76275845530964]
2つの画像に関連する密度の高い流れ場と、堅牢な画素方向の信頼度マップの推定を目指しています。
フロー予測とその不確実性を共同で学習するフレキシブルな確率的アプローチを開発する。
本手法は,幾何学的マッチングと光フローデータセットに挑戦する最新の結果を得る。
論文 参考訳(メタデータ) (2021-01-05T18:54:11Z) - Adversarial Robustness of Supervised Sparse Coding [34.94566482399662]
表現を学習すると同時に、正確な一般化境界と堅牢性証明を与えるモデルを考える。
線形エンコーダと組み合わされたスパーシティプロモーティングエンコーダを組み合わせた仮説クラスに着目した。
エンドツーエンドの分類のための堅牢性証明を提供する。
論文 参考訳(メタデータ) (2020-10-22T22:05:21Z) - Towards Better Performance and More Explainable Uncertainty for 3D
Object Detection of Autonomous Vehicles [33.0319422469465]
そこで本研究では,LiDARに基づく3次元物体検出の性能を向上させるために,ロス関数の新たな形式を提案する。
新たな損失関数により,KITTIデータセットのval分割における手法の性能は平均精度で15%向上した。
論文 参考訳(メタデータ) (2020-06-22T05:49:58Z) - Optimal Change-Point Detection with Training Sequences in the Large and
Moderate Deviations Regimes [72.68201611113673]
本稿では,情報理論の観点から,新しいオフライン変化点検出問題について検討する。
基礎となる事前および変更後分布の知識は分かっておらず、利用可能なトレーニングシーケンスからのみ学習できると仮定する。
論文 参考訳(メタデータ) (2020-03-13T23:39:40Z)
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。