論文の概要: Scale-Invariant Fast Functional Registration

• arxiv url: http://arxiv.org/abs/2209.12763v1
• Date: Mon, 26 Sep 2022 15:12:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-27 17:43:51.428820
• Title: Scale-Invariant Fast Functional Registration
• Title（参考訳）: スケール不変高速機能登録
• Authors: Muchen Sun, Allison Pinosky, Ian Abraham, Todd Murphey
• Abstract要約: 本稿では,スケール不変な線形時間複雑性関数登録アルゴリズムを提案する。 提案アルゴリズムはFLS(機能最小二乗)を標準3次元登録ベンチマークで評価する。
• 参考スコア（独自算出の注目度）: 2.1028463367241033
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Functional registration algorithms represent point clouds as functions (e.g. spacial occupancy field) avoiding unreliable correspondence estimation in conventional least-squares registration algorithms. However, existing functional registration algorithms are computationally expensive. Furthermore, the capability of registration with unknown scale is necessary in tasks such as CAD model-based object localization, yet no such support exists in functional registration. In this work, we propose a scale-invariant, linear time complexity functional registration algorithm. We achieve linear time complexity through an efficient approximation of L2-distance between functions using orthonormal basis functions. The use of orthonormal basis functions leads to a formulation that is compatible with least-squares registration. Benefited from the least-square formulation, we use the theory of translation-rotation-invariant measurement to decouple scale estimation and therefore achieve scale-invariant registration. We evaluate the proposed algorithm, named FLS (functional least-squares), on standard 3D registration benchmarks, showing FLS is an order of magnitude faster than state-of-the-art functional registration algorithm without compromising accuracy and robustness. FLS also outperforms state-of-the-art correspondence-based least-squares registration algorithm on accuracy and robustness, with known and unknown scale. Finally, we demonstrate applying FLS to register point clouds with varying densities and partial overlaps, point clouds from different objects within the same category, and point clouds from real world objects with noisy RGB-D measurements.
• Abstract（参考訳）: 関数登録アルゴリズムは、点群を関数(例えば空間占有場)として表現し、従来の最小二乗登録アルゴリズムでは信頼できない対応推定を避ける。 しかし、既存の機能登録アルゴリズムは計算コストが高い。 さらにcadモデルに基づくオブジェクトのローカライズなどのタスクでは,未知のスケールでの登録機能が必要であるが,機能登録にはそのようなサポートが存在しない。 本研究では,スケール不変な線形時間複雑性関数登録アルゴリズムを提案する。 正規直交基底関数を用いた関数間のL2距離の効率的な近似により線形時間複雑性を実現する。 正規直交基底関数の使用は、最小二乗登録と互換性のある定式化をもたらす。 最小二乗の定式化に特化して、変換回転不変測定の理論を用いてスケール推定を分離し、スケール不変登録を実現する。 提案アルゴリズムはFLS(機能最小二乗)を標準3次元登録ベンチマークで評価し,FLSは精度とロバスト性を損なうことなく,最先端の機能的登録アルゴリズムよりも桁違いに高速であることを示した。 FLSはまた、未知のスケールで、精度と堅牢性に関して最先端の対応ベースの最小二乗登録アルゴリズムよりも優れている。 最後に,異なる密度と部分的重なりを持つ点雲の登録,同一カテゴリ内の異なる物体からの点雲,ノイズの多いrgb-d測定による実世界の物体からの点雲の登録にflsを適用することを実証する。

関連論文リスト

• SPARE: Symmetrized Point-to-Plane Distance for Robust Non-Rigid Registration [76.40993825836222]
  本研究では,SPAREを提案する。SPAREは,非剛性登録のための対称化点-平面間距離を用いた新しい定式化である。 提案手法は, 厳密でない登録問題の精度を大幅に向上し, 比較的高い解効率を維持する。
  論文  参考訳（メタデータ） (2024-05-30T15:55:04Z)
• Efficient Model-Free Exploration in Low-Rank MDPs [76.87340323826945]
  低ランクマルコフ決定プロセスは、関数近似を持つRLに対して単純だが表現力のあるフレームワークを提供する。 既存のアルゴリズムは、(1)計算的に抽出可能であるか、または(2)制限的な統計的仮定に依存している。 提案手法は,低ランクMPPの探索のための最初の実証可能なサンプル効率アルゴリズムである。
  論文  参考訳（メタデータ） (2023-07-08T15:41:48Z)
• Stabilizing Q-learning with Linear Architectures for Provably Efficient Learning [53.17258888552998]
  本研究では,線形関数近似を用いた基本的な$Q$-learningプロトコルの探索変種を提案する。 このアルゴリズムの性能は,新しい近似誤差というより寛容な概念の下で,非常に優雅に低下することを示す。
  論文  参考訳（メタデータ） (2022-06-01T23:26:51Z)
• Multiway Non-rigid Point Cloud Registration via Learned Functional Map Synchronization [105.14877281665011]
  我々は、点雲上に定義された学習関数に関する地図を同期させることにより、複数の非剛体形状を登録する新しい方法であるSyNoRiMを提案する。 提案手法は,登録精度において最先端の性能を達成できることを実証する。
  論文  参考訳（メタデータ） (2021-11-25T02:37:59Z)
• Nonlinear Level Set Learning for Function Approximation on Sparse Data with Applications to Parametric Differential Equations [6.184270985214254]
  NLL(Nonlinear Level Set Learning)アプローチは、疎にサンプリングされた関数のポイントワイズ予測のために提示される。 提案アルゴリズムは, 精度の低い理論的下界への入力次元を効果的に低減する。 この修正されたNLLとオリジナルのNLLとActive Subspaces(AS)メソッドを比較する実験とアプリケーションを提示する。
  論文  参考訳（メタデータ） (2021-04-29T01:54:05Z)
• PSF-LO: Parameterized Semantic Features Based Lidar Odometry [11.790290341366353]
  自己設計型パラメータ化セマンティック特徴量(PSF)に基づく新しいセマンティック・ライダー・オドメトリー法を提案する。 まず、畳み込みニューラルネットワークに基づくアルゴリズムを用いて、入力されたレーザーポイントクラウドからポイントワイドセマンティクスを得る。 次に、セマンティックラベルを使用して道路、建物、交通標識、ポールのような点群を分離し、それらを個別に適合させて対応するPSFを得る。
  論文  参考訳（メタデータ） (2020-10-26T05:48:26Z)
• Activation Relaxation: A Local Dynamical Approximation to Backpropagation in the Brain [62.997667081978825]
  活性化緩和(AR)は、バックプロパゲーション勾配を力学系の平衡点として構成することで動機付けられる。 我々のアルゴリズムは、正しいバックプロパゲーション勾配に迅速かつ堅牢に収束し、単一のタイプの計算単位しか必要とせず、任意の計算グラフで操作できる。
  論文  参考訳（メタデータ） (2020-09-11T11:56:34Z)
• DeepGMR: Learning Latent Gaussian Mixture Models for Registration [113.74060941036664]
  ポイントクラウドの登録は、3Dコンピュータビジョン、グラフィックス、ロボット工学の基本的な問題である。 本稿では,最初の学習ベース登録法であるDeep Gaussian Mixture Registration(DeepGMR)を紹介する。 提案手法は,最先端の幾何学的および学習的登録手法と比較して,良好な性能を示す。
  論文  参考訳（メタデータ） (2020-08-20T17:25:16Z)
• DynaMiTe: A Dynamic Local Motion Model with Temporal Constraints for Robust Real-Time Feature Matching [47.72468932196169]
  本稿では,ディスクリプタ入力に非依存な軽量パイプラインDynaMiTeを提案する。 DynaMiTeは、マッチング精度とフレームレートの高いカメラポーズ推定の両方で優れた結果を得る。
  論文  参考訳（メタデータ） (2020-07-31T12:18:18Z)
• Quasi-Newton Solver for Robust Non-Rigid Registration [35.66014845211251]
  データフィッティングと正規化のための大域的スムーズなロバスト推定器に基づくロバストな非剛性登録のための定式化を提案する。 本稿では,L-BFGS を用いた最小二乗問題の解法に,各繰り返しを減らし,最大化最小化アルゴリズムを適用した。
  論文  参考訳（メタデータ） (2020-04-09T01:45:05Z)

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。