論文の概要: Performance Evaluation of 3D Keypoint Detectors and Descriptors on Coloured Point Clouds in Subsea Environments

• arxiv url: http://arxiv.org/abs/2209.12881v2
• Date: Mon, 26 Feb 2024 14:14:18 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-29 01:12:42.631794
• Title: Performance Evaluation of 3D Keypoint Detectors and Descriptors on Coloured Point Clouds in Subsea Environments
• Title（参考訳）: 海底環境における色付き点雲における3次元キーポイント検出器と記述器の性能評価
• Authors: Kyungmin Jung, Thomas Hitchcox, James Richard Forbes
• Abstract要約: 本稿では,商用水中レーザースキャナーを用いて収集したフィールドデータセットを用いて,最適な検出器/ディスクリプタペアを特定することを目的とする。 テクスチャ情報を組み込んで幾何学的特徴を拡張することで、合成データセットに特徴マッチングを追加することが研究で示されている。
• 参考スコア（独自算出の注目度）: 9.231027340401775
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The recent development of high-precision subsea optical scanners allows for 3D keypoint detectors and feature descriptors to be leveraged on point cloud scans from subsea environments. However, the literature lacks a comprehensive survey to identify the best combination of detectors and descriptors to be used in these challenging and novel environments. This paper aims to identify the best detector/descriptor pair using a challenging field dataset collected using a commercial underwater laser scanner. Furthermore, studies have shown that incorporating texture information to extend geometric features adds robustness to feature matching on synthetic datasets. This paper also proposes a novel method of fusing images with underwater laser scans to produce coloured point clouds, which are used to study the effectiveness of 6D point cloud descriptors.
• Abstract（参考訳）: 近年の高精度海底光スキャナの開発により、3Dキーポイント検出器と特徴ディスクリプタが海底環境からの点雲スキャンで利用できるようになった。 しかし、この文献は、これらの困難で新しい環境で使用される検出器とディスクリプタの最良の組み合わせを特定するための包括的な調査を欠いている。 本稿では,商用水中レーザースキャナーを用いて収集したフィールドデータセットを用いて,最適な検出器/ディスクリプタペアを特定することを目的とする。 さらに、幾何学的特徴拡張のためのテクスチャ情報の導入は、合成データセットにおける特徴マッチングに堅牢性をもたらすことが示されている。 また,水中レーザースキャンにより色付き点雲を生成する新しい手法を提案し,この方法を用いて6次元点雲記述器の有効性について検討する。

関連論文リスト

• Sparse-to-Dense LiDAR Point Generation by LiDAR-Camera Fusion for 3D Object Detection [9.076003184833557]
  2D画像特徴を融合させてLiDARポイントクラウドデータを再構成する新しいフレームワークであるLiDAR-Camera Augmentation Network (LCANet)を提案する。 LCANetは、画像特徴を3D空間に投影し、意味情報をポイントクラウドデータに統合することで、LiDARセンサーからのデータを融合する。 この融合は、しばしばスパースポイントで表される長距離物体の検出におけるLiDARの弱点を効果的に補う。
  論文  参考訳（メタデータ） (2024-09-23T13:03:31Z)
• Performance Assessment of Feature Detection Methods for 2-D FS Sonar Imagery [11.23455335391121]
  主な課題は、一様でない照明と、濁った環境での視界の低下である。 高周波フォワードフォワードソナーカメラはこれらの問題に対処する。 5種類のソナー装置の実際のソナー画像を用いた特徴検出器の評価を行った。
  論文  参考訳（メタデータ） (2024-09-11T04:35:07Z)
• Open-Vocabulary Point-Cloud Object Detection without 3D Annotation [62.18197846270103]
  オープン語彙の3Dポイントクラウド検出の目的は、任意のテキスト記述に基づいて新しいオブジェクトを識別することである。 様々な物体を局所化するための一般的な表現を学習できる点クラウド検出器を開発した。 また,画像,点雲,テキストのモダリティを結合する,非偏差三重項クロスモーダルコントラスト学習を提案する。
  論文  参考訳（メタデータ） (2023-04-03T08:22:02Z)
• Surface-biased Multi-Level Context 3D Object Detection [1.9723551683930771]
  本研究は,高効率表面偏光特性抽出法(wang2022rbgnet)を用いて3次元点雲中の物体検出タスクに対処する。 本稿では,オブジェクト候補の正確な特徴表現を抽出し,点パッチやオブジェクト候補,グローバルシーンにおける自己注意を活用する3Dオブジェクト検出手法を提案する。
  論文  参考訳（メタデータ） (2023-02-13T11:50:04Z)
• 3D Cascade RCNN: High Quality Object Detection in Point Clouds [122.42455210196262]
  本稿では3次元カスケードRCNNを提案する。これはカスケードパラダイムにおいて、酸化点雲に基づいて複数の検出器を割り当てる。 提案する3次元カスケードRCNNは,最先端の3次元物体検出技術と比較した場合の優位性を検証した。
  論文  参考訳（メタデータ） (2022-11-15T15:58:36Z)
• An Efficient Hypergraph Approach to Robust Point Cloud Resampling [57.49817398852218]
  ハイパーグラフ信号処理(hgsp)に基づくポイントクラウド再サンプリングの検討 点群の信号ノード間の多面的な相互作用を捕捉するハイパーグラフスペクトルフィルタを設計する。 実験の結果, 点雲のハイパーグラフ解析の有効性が検証された。
  論文  参考訳（メタデータ） (2021-03-11T23:19:54Z)
• Learning the Next Best View for 3D Point Clouds via Topological Features [4.447259318741305]
  ノイズの多い3Dセンサの次の最良のビューを導くための強化学習手法を提案する。 測定器は観察された表面の不整合セクションを結合し、穴および凹面セクションのような高密度の特徴に焦点を合わせます。
  論文  参考訳（メタデータ） (2021-03-04T02:19:12Z)
• Deep Continuous Fusion for Multi-Sensor 3D Object Detection [103.5060007382646]
  本稿では,LIDARとカメラを併用して高精度な位置検出を実現する3Dオブジェクト検出器を提案する。 我々は,連続畳み込みを利用して画像とlidar特徴マップを異なるレベルの解像度で融合する,エンドツーエンド学習可能なアーキテクチャを設計した。
  論文  参考訳（メタデータ） (2020-12-20T18:43:41Z)
• RoIFusion: 3D Object Detection from LiDAR and Vision [7.878027048763662]
  本稿では,3次元関心領域(RoI)の集合を点雲から対応する画像の2次元ロIに投影することで,新しい融合アルゴリズムを提案する。 提案手法は,KITTI 3Dオブジェクト検出課題ベンチマークにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2020-09-09T20:23:27Z)
• Cross-Modality 3D Object Detection [63.29935886648709]
  本稿では,3次元物体検出のための新しい2段階多モード融合ネットワークを提案する。 アーキテクチャ全体が2段階の融合を促進する。 KITTIデータセットを用いた実験により,提案したマルチステージ融合により,ネットワークがより良い表現を学習できることが示唆された。
  論文  参考訳（メタデータ） (2020-08-16T11:01:20Z)
• Hypergraph Spectral Analysis and Processing in 3D Point Cloud [80.25162983501308]
  3Dポイントクラウドは、3Dオブジェクトや周囲を特徴付ける基本的なデータ構造になっている。 3次元点雲を効率的に処理するには、基礎となる構造と外周騒音に適したモデルが常に重要である。 本稿では,高速な解析と処理が可能なハイパーグラフベースの新しいポイントクラウドモデルを提案する。
  論文  参考訳（メタデータ） (2020-01-08T05:30:16Z)

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。