論文の概要: Centroid Distance Keypoint Detector for Colored Point Clouds

• arxiv url: http://arxiv.org/abs/2210.01298v1
• Date: Tue, 4 Oct 2022 00:55:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-05 15:08:28.159054
• Title: Centroid Distance Keypoint Detector for Colored Point Clouds
• Title（参考訳）: 有色点雲用遠心距離キーポイント検出器
• Authors: Hanzhe Teng, Dimitrios Chatziparaschis, Xinyue Kan, Amit K. Roy-Chowdhury, Konstantinos Karydis
• Abstract要約: キーポイント検出は多くのコンピュータビジョンとロボティクスアプリケーションの基礎となる。 そこで本研究では,色点雲中の幾何塩分と色塩分の両方のキーポイントを抽出できる効率的なマルチモーダルキーポイント検出器を提案する。
• 参考スコア（独自算出の注目度）: 32.74803728070627
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Keypoint detection serves as the basis for many computer vision and robotics applications. Despite the fact that colored point clouds can be readily obtained, most existing keypoint detectors extract only geometry-salient keypoints, which can impede the overall performance of systems that intend to (or have the potential to) leverage color information. To promote advances in such systems, we propose an efficient multi-modal keypoint detector that can extract both geometry-salient and color-salient keypoints in colored point clouds. The proposed CEntroid Distance (CED) keypoint detector comprises an intuitive and effective saliency measure, the centroid distance, that can be used in both 3D space and color space, and a multi-modal non-maximum suppression algorithm that can select keypoints with high saliency in two or more modalities. The proposed saliency measure leverages directly the distribution of points in a local neighborhood and does not require normal estimation or eigenvalue decomposition. We evaluate the proposed method in terms of repeatability and computational efficiency (i.e. running time) against state-of-the-art keypoint detectors on both synthetic and real-world datasets. Results demonstrate that our proposed CED keypoint detector requires minimal computational time while attaining high repeatability. To showcase one of the potential applications of the proposed method, we further investigate the task of colored point cloud registration. Results suggest that our proposed CED detector outperforms state-of-the-art handcrafted and learning-based keypoint detectors in the evaluated scenes. The C++ implementation of the proposed method is made publicly available at https://github.com/UCR-Robotics/CED_Detector.
• Abstract（参考訳）: キーポイント検出は多くのコンピュータビジョンとロボット工学アプリケーションの基礎となる。 色付き点雲が容易に取得できるという事実にもかかわらず、既存のキーポイント検出器は幾何学的な鍵点のみを抽出し、色情報を利用する(あるいはその可能性を持つ)システム全体の性能を阻害する。 このようなシステムの進歩を促進するために,色点雲中の幾何学的・色彩的キーポイントを抽出できる効率的なマルチモーダルキーポイント検出器を提案する。 提案するセントロイド距離(ced)キーポイント検出器は、3d空間とカラー空間の両方で使用可能な直感的かつ効果的な塩分量測定器と、2つ以上のモダリティで高い塩分率を持つキーポイントを選択できるマルチモーダル非最大抑制アルゴリズムとを含む。 提案手法は局所近傍の点の分布を直接活用し,正規推定や固有値分解は必要としない。 提案手法は,合成データと実世界のデータセットの両方において,最先端のキーポイント検出器に対する再現性と計算効率(すなわち実行時間)の観点から評価する。 その結果,提案するcedキーポイント検出器は,高い再現性を実現するのに最小の計算時間を必要とすることがわかった。 提案手法の潜在的な応用の1つを示すために,カラーポイントクラウド登録の課題をさらに検討する。 その結果,提案するced検出器は,手作り,学習によるキーポイント検出を評価場面で上回っていることが示唆された。 提案手法のC++実装はhttps://github.com/UCR-Robotics/CED_Detectorで公開されている。

関連論文リスト

• Generalizable Indoor Human Activity Recognition Method Based on Micro-Doppler Corner Point Cloud and Dynamic Graph Learning [12.032590125621155]
  マイクロドップラーシグネチャ抽出とインテリジェントな意思決定アルゴリズムを融合させることで、TWRによる人間の活動認識を実現することができる。 本稿では,マイクロドップラー角点雲と動的グラフ学習に基づく,一般化可能な室内人間活動認識手法を提案する。
  論文  参考訳（メタデータ） (2024-10-10T02:24:07Z)
• Learning to Make Keypoints Sub-Pixel Accurate [80.55676599677824]
  本研究は,2次元局所特徴の検出におけるサブピクセル精度の課題に対処する。 本稿では,検出された特徴に対するオフセットベクトルを学習することにより,サブピクセル精度で検出器を拡張できる新しいネットワークを提案する。
  論文  参考訳（メタデータ） (2024-07-16T12:39:56Z)
• SC3K: Self-supervised and Coherent 3D Keypoints Estimation from Rotated, Noisy, and Decimated Point Cloud Data [17.471342278936365]
  そこで本研究では,任意のオブジェクトカテゴリからキーポイントを推定する手法を提案する。 我々は,キーポイント推定のための自己指導型トレーニング戦略を提案することで,これらのデシダータを実現する。 提案手法によって推定されるキーポイントと最先端の教師なしアプローチのキーポイントを比較した。
  論文  参考訳（メタデータ） (2023-08-10T08:10:01Z)
• KECOR: Kernel Coding Rate Maximization for Active 3D Object Detection [48.66703222700795]
  我々は、ラベルの取得に最も有用なポイントクラウドを特定するために、新しいカーネル戦略を利用する。 1段目(SECOND)と2段目(SECOND)の両方に対応するため、アノテーションに選択した境界ボックスの総数と検出性能のトレードオフをよく組み込んだ分類エントロピー接点を組み込んだ。 その結果,ボックスレベルのアノテーションのコストは約44%,計算時間は26%削減された。
  論文  参考訳（メタデータ） (2023-07-16T04:27:03Z)
• Learning Feature Matching via Matchable Keypoint-Assisted Graph Neural Network [52.29330138835208]
  画像のペア間の局所的な特徴の正確なマッチングは、コンピュータビジョンの課題である。 従来の研究では、注意に基づくグラフニューラルネットワーク(GNN)と、画像内のキーポイントに完全に接続されたグラフを使用するのが一般的だった。 本稿では,非繰り返しキーポイントをバイパスし,マッチング可能なキーポイントを利用してメッセージパッシングを誘導する,疎注意に基づくGNNアーキテクチャであるMaKeGNNを提案する。
  論文  参考訳（メタデータ） (2023-07-04T02:50:44Z)
• KGNv2: Separating Scale and Pose Prediction for Keypoint-based 6-DoF Grasp Synthesis on RGB-D input [16.897624250286487]
  画像入力によるキーポイント型グリップ検出器は有望な結果を示した。 そこで我々は,キーポイント推定への依存性を低減できる新たなグリップ生成ネットワークを考案した。
  論文  参考訳（メタデータ） (2023-03-09T23:11:52Z)
• 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)
• RSKDD-Net: Random Sample-based Keypoint Detector and Descriptor [11.393546826269372]
  本稿では,大規模クラウド登録のためのランダムサンプルベースキーポイント検出器とディスクリプタネットワーク(RSKDD-Net)を提案する。 鍵となるアイデアは、ランダムサンプリングを使用して候補点を効率よく選択し、学習に基づく手法を使ってキーポイントと記述子を共同で生成することである。 2つの大規模屋外LiDARデータセットの実験により、提案したRSKDD-Netは、既存の手法の15倍以上の高速で最先端のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2020-10-23T13:29:29Z)
• Pose Estimation for Robot Manipulators via Keypoint Optimization and Sim-to-Real Transfer [10.369766652751169]
  キーポイント検出は多くのロボットアプリケーションにとって重要なビルディングブロックである。 ディープラーニング手法は、マーカーのない方法でユーザ定義キーポイントを検出できる。 これらの課題を克服するキーポイントを定義するための,新たな自律的手法を提案する。
  論文  参考訳（メタデータ） (2020-10-15T22:38:37Z)
• A Self-Training Approach for Point-Supervised Object Detection and Counting in Crowds [54.73161039445703]
  本稿では,ポイントレベルのアノテーションのみを用いて訓練された典型的なオブジェクト検出を可能にする,新たな自己学習手法を提案する。 トレーニング中、利用可能なポイントアノテーションを使用して、オブジェクトの中心点の推定を監督する。 実験の結果,本手法は検出タスクとカウントタスクの両方において,最先端のポイント管理手法よりも有意に優れていた。
  論文  参考訳（メタデータ） (2020-07-25T02:14:42Z)

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。