論文の概要: GIDP: Learning a Good Initialization and Inducing Descriptor Post-enhancing for Large-scale Place Recognition

• arxiv url: http://arxiv.org/abs/2209.11488v1
• Date: Fri, 23 Sep 2022 09:20:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-26 16:51:39.580942
• Title: GIDP: Learning a Good Initialization and Inducing Descriptor Post-enhancing for Large-scale Place Recognition
• Title（参考訳）: GIDP: 大規模位置認識のための優れた初期化学習とディスクリプタのポストエンハンシング
• Authors: Zhaoxin Fan, Zhenbo Song, Hongyan Liu, Jun He
• Abstract要約: 本稿では,GIDP という新しい手法を提案する。 提案手法は,バックボーンを符号化する単純なクラウドと汎用クラウドを用いて,最先端の性能を実現する。
• 参考スコア（独自算出の注目度）: 6.709991492637821
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large-scale place recognition is a fundamental but challenging task, which plays an increasingly important role in autonomous driving and robotics. Existing methods have achieved acceptable good performance, however, most of them are concentrating on designing elaborate global descriptor learning network structures. The importance of feature generalization and descriptor post-enhancing has long been neglected. In this work, we propose a novel method named GIDP to learn a Good Initialization and Inducing Descriptor Poseenhancing for Large-scale Place Recognition. In particular, an unsupervised momentum contrast point cloud pretraining module and a reranking-based descriptor post-enhancing module are proposed respectively in GIDP. The former aims at learning a good initialization for the point cloud encoding network before training the place recognition model, while the later aims at post-enhancing the predicted global descriptor through reranking at inference time. Extensive experiments on both indoor and outdoor datasets demonstrate that our method can achieve state-of-the-art performance using simple and general point cloud encoding backbones.
• Abstract（参考訳）: 大規模な位置認識は基本的だが難しい課題であり、自動運転とロボット工学においてますます重要な役割を担っている。 既存の手法は良好な性能を実現しているが、そのほとんどは精巧なグローバルディスクリプタ学習ネットワーク構造の設計に集中している。 特徴の一般化とディスクリプタのエンハンシングの重要性は長い間無視されてきた。 そこで本研究では,gidpと呼ばれる新しい手法を提案し,その初期化を学習し,大規模位置認識のための記述子ポーズ感を誘発する。 特にGIDPでは,教師なしの運動量コントラスト点雲事前学習モジュールと復位型ディスクリプタポストエンハンシングモジュールがそれぞれ提案されている。 前者は位置認識モデルをトレーニングする前にポイントクラウドエンコーディングネットワークの適切な初期化を学ぶことを目的としており、後者は推定されたグローバルディスクリプタを推論時に再ランク付けすることで後付けすることを目的としている。 室内および屋外の両方のデータセットに対する大規模な実験により,本手法がバックボーンの単純および汎用的なクラウド符号化を用いて最先端の性能を達成できることが実証された。

関連論文リスト

• Point Cloud Understanding via Attention-Driven Contrastive Learning [64.65145700121442]
  トランスフォーマーベースのモデルは、自己認識機構を活用することにより、先進的なポイントクラウド理解を持つ。 PointACLは、これらの制限に対処するために設計された、注意駆動のコントラスト学習フレームワークである。 本手法では, 注意駆動型動的マスキング手法を用いて, モデルが非集中領域に集中するように誘導する。
  論文  参考訳（メタデータ） (2024-11-22T05:41:00Z)
• CLSP: High-Fidelity Contrastive Language-State Pre-training for Agent State Representation [49.19402798479942]
  マルチモーダル学習は 人工知能の 重要な研究領域になっています 知的エージェントにとって、国家は画像、ビデオ、言語といった一般的なモダリティと共に正確な情報を伝達する重要なモダリティである。 本稿では,状態情報を汎用表現に正確にエンコードできる高忠実コントラスト言語-状態事前学習法を提案する。
  論文  参考訳（メタデータ） (2024-09-24T07:08:00Z)
• Preserve Pre-trained Knowledge: Transfer Learning With Self-Distillation For Action Recognition [8.571437792425417]
  本研究では,大規模データセットから学習した事前学習モデルから知識を保存するために,微調整における自己蒸留を併用した新しい伝達学習手法を提案する。 具体的には,最後のエポックから教師モデルとしてエンコーダを固定し,トランスファー学習における現在のエポックからエンコーダのトレーニングを指導する。
  論文  参考訳（メタデータ） (2022-05-01T16:31:25Z)
• Inducing Gaussian Process Networks [80.40892394020797]
  本稿では,特徴空間と誘導点を同時に学習するシンプルなフレームワークであるGaussian Process Network (IGN)を提案する。 特に誘導点は特徴空間で直接学習され、複雑な構造化領域のシームレスな表現を可能にする。 実世界のデータセットに対する実験結果から,IGNは最先端の手法よりも大幅に進歩していることを示す。
  論文  参考訳（メタデータ） (2022-04-21T05:27:09Z)
• Upsampling Autoencoder for Self-Supervised Point Cloud Learning [11.19408173558718]
  人間のアノテーションを使わずに、ポイントクラウド学習のための自己教師付き事前学習モデルを提案する。 アップサンプリング操作は、ポイントクラウドの高レベルセマンティック情報と低レベル幾何情報の両方を捕捉することをネットワークに促す。 我々のUAEは、形状分類、部分分割、点雲アップサンプリングタスクにおいて、従来の最先端手法よりも優れています。
  論文  参考訳（メタデータ） (2022-03-21T07:20:37Z)
• InCloud: Incremental Learning for Point Cloud Place Recognition [34.353352832955984]
  本稿では,ポイントクラウドの場所認識における漸進的学習の問題に対処する。 InCloudは、ネットワークの埋め込み空間の高次構造を保存する構造対応蒸留に基づく手法である。 我々は4つの人気のある大規模LiDARデータセットに対して、いくつかの挑戦的な新しいベンチマークを導入する。
  論文  参考訳（メタデータ） (2022-03-02T00:56:49Z)
• Self-Supervised Point Cloud Registration with Deep Versatile Descriptors [3.2834346231107947]
  本稿では,グローバルディスクリプタとローカルディスクリプタを併用して,ポイントクラウドを自己管理的に登録することを提案する。 特徴抽出モジュールの表現能力を向上するために、局所的なジオメトリを用いることができる。 また、点雲再構成と正規推定を利用して、グローバルおよびローカルディスクリプタの変換意識を高める。
  論文  参考訳（メタデータ） (2022-01-25T01:22:48Z)
• Point Discriminative Learning for Unsupervised Representation Learning on 3D Point Clouds [54.31515001741987]
  3次元点雲上での教師なし表現学習のための点識別学習法を提案する。 我々は、中間レベルとグローバルレベルの特徴に新しい点識別損失を課すことにより、これを達成した。 提案手法は強力な表現を学習し,新しい最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-08-04T15:11:48Z)
• EDN: Salient Object Detection via Extremely-Downsampled Network [66.38046176176017]
  画像全体のグローバルビューを効果的に学ぶために、極端なダウンサンプリング技術を使用するExtremely-Downsampled Network(EDN)を紹介します。 実験は、ednがリアルタイム速度でsart性能を達成することを実証する。
  論文  参考訳（メタデータ） (2020-12-24T04:23:48Z)
• MetaSDF: Meta-learning Signed Distance Functions [85.81290552559817]
  ニューラルな暗示表現で形状を一般化することは、各関数空間上の学習先行値に比例する。 形状空間の学習をメタラーニング問題として定式化し、勾配に基づくメタラーニングアルゴリズムを利用してこの課題を解決する。
  論文  参考訳（メタデータ） (2020-06-17T05:14:53Z)

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。