論文の概要: Spectral Geometric Verification: Re-Ranking Point Cloud Retrieval for Metric Localization

• arxiv url: http://arxiv.org/abs/2210.04432v1
• Date: Mon, 10 Oct 2022 04:36:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-11 19:17:06.011642
• Title: Spectral Geometric Verification: Re-Ranking Point Cloud Retrieval for Metric Localization
• Title（参考訳）: スペクトル幾何検証:計量定位のための再ランキング点クラウド検索
• Authors: Kavisha Vidanapathirana, Peyman Moghadam, Sridha Sridharan, Clinton Fookes
• Abstract要約: 本稿では,抽出した点雲の再評価のためのスペクトル幾何検証(Spectral Geometric Verification, SpectralGV)を紹介する。 提案手法は,5つの大規模クラウドデータセットにまたがる複数の対応型アーキテクチャの性能向上を実証する。 このレターは、メトリックローカライゼーションのタスクのために、ポイントクラウド検索領域で再ランク付けされた最初のものでもある。
• 参考スコア（独自算出の注目度）: 34.04453599770954
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Although re-ranking methods are widely used in many retrieval tasks to improve performance, they haven't been studied in the context of point cloud retrieval for metric localization. In this letter, we introduce Spectral Geometric Verification (SpectralGV), for the re-ranking of retrieved point clouds. We demonstrate how the optimal inter-cluster score of the correspondence compatibility graph of two point clouds can be used as a robust fitness score representing their geometric compatibility, hence allowing geometric verification without registration. Compared to the baseline geometric verification based re-ranking methods which first register all retrieved point clouds with the query and then sort retrievals based on the inlier-ratio after registration, our method is considerably more efficient and provides a deterministic re-ranking solution while remaining robust to outliers. We demonstrate how our method boosts the performance of several correspondence-based architectures across 5 different large-scale point cloud datasets. We also achieve state-of-the-art results for both place recognition and metric-localization on these datasets. To the best of our knowledge, this letter is also the first to explore re-ranking in the point cloud retrieval domain for the task of metric localization. The open-source implementation will be made available at: https://github.com/csiro-robotics/SpectralGV.
• Abstract（参考訳）: 性能向上のために多くの検索タスクで再ランク付け手法が広く使われているが、メトリックローカライズのためのポイントクラウド検索の文脈では研究されていない。 本稿では,抽出した点雲の再分類のためのスペクトル幾何検証(Spectral Geometric Verification, SpectralGV)を紹介する。 2点クラウドの対応互換性グラフの最適クラスタ間スコアを,その幾何学的適合性を表すロバストな適合度スコアとして利用できることを示す。 検索した全ての点群を問合せでまず登録し,その不整合率に基づいて検索をソートする基本的幾何的検証に基づく再ランク法と比較すると,本手法はより効率的であり,不整合に頑健でありながら決定論的再ランク解を提供する。 提案手法は,5つの大規模クラウドデータセットにまたがる複数の対応型アーキテクチャの性能向上を実証する。 また,これらのデータセット上の位置認識とメトリックローカライズについて,最先端の結果を得る。 我々の知る限りでは、このレターは、メトリックローカライゼーションのタスクのために、ポイントクラウド検索領域で再ランク付けされた最初のものである。 オープンソース実装は、https://github.com/csiro-robotics/SpectralGVで利用可能になる。

関連論文リスト

• Coupled Laplacian Eigenmaps for Locally-Aware 3D Rigid Point Cloud Matching [0.0]
  局所構造を考慮したグラフラプラシアン固有写像に基づく新しい手法を提案する。 ラプラシアン固有写像の順序と符号のあいまいさに対処するために、結合ラプラシアンと呼ばれる新しい作用素を導入する。 これらの高次元空間間の類似性は、形状に一致するような局所的な意味のあるスコアを与えることを示す。
  論文  参考訳（メタデータ） (2024-02-27T10:10:12Z)
• AANet: Aggregation and Alignment Network with Semi-hard Positive Sample Mining for Hierarchical Place Recognition [48.043749855085025]
  視覚的位置認識(VPR)はロボット工学におけるホットスポットの一つで、視覚情報を用いてロボットの位置を特定する。 本稿では,アグリゲーションモジュールを介して候補を検索するためのグローバルな特徴を抽出できる統一ネットワークを提案する。 また、より堅牢なVPRネットワークをトレーニングするために、適切なハード正のイメージを選択するためのセミハード正のサンプルマイニング(ShPSM)戦略を提案する。
  論文  参考訳（メタデータ） (2023-10-08T14:46:11Z)
• Adaptive Edge-to-Edge Interaction Learning for Point Cloud Analysis [118.30840667784206]
  ポイントクラウドデータ処理の大きな問題は、ローカルリージョンから有用な情報を抽出することだ。 従来の研究は、局所的な形状情報を符号化する地域におけるエッジ間の関係を無視していた。 本稿では,Adaptive Edge-to-Edge Interaction Learningモジュールを提案する。
  論文  参考訳（メタデータ） (2022-11-20T07:10:14Z)
• Robust Point Cloud Registration Framework Based on Deep Graph Matching(TPAMI Version) [13.286247750893681]
  3Dポイントクラウドの登録は、コンピュータビジョンとロボティクスの基本的な問題である。 本稿では,ポイントクラウド登録のための新しいディープグラフマッチングベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-09T06:05:25Z)
• REGTR: End-to-end Point Cloud Correspondences with Transformers [79.52112840465558]
  我々は、注意機構が明示的な特徴マッチングとRANSACの役割を置き換えることができると推測する。 本稿では,最終文集合を直接予測するエンドツーエンドフレームワークを提案する。 提案手法は3DMatchおよびModelNet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） (2022-03-28T06:01:00Z)
• Rethinking Network Design and Local Geometry in Point Cloud: A Simple Residual MLP Framework [55.40001810884942]
  我々は、洗練された局所幾何学的抽出器を組み込んだ純粋な残留ネットワークPointMLPを導入するが、それでも非常に競争力がある。 実世界のScanObjectNNデータセットでは,従来のベストメソッドを3.3%の精度で上回ります。 最新のCurveNetと比較して、PointMLPは2倍速く、テストは7倍速く、ModelNet40ベンチマークではより正確である。
  論文  参考訳（メタデータ） (2022-02-15T01:39:07Z)
• Fast and Robust Registration of Partially Overlapping Point Clouds [5.073765501263891]
  部分的に重なる点雲のリアルタイム登録は、自動運転車の協調認識に新たな応用をもたらす。 これらのアプリケーションにおける点雲間の相対的な変換は、従来のSLAMやオドメトリーアプリケーションよりも高い。 本稿では,効率の良い特徴エンコーダを用いて対応を学習する部分重複点群に対する新しい登録法を提案する。
  論文  参考訳（メタデータ） (2021-12-18T12:39:05Z)
• 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)
• UPDesc: Unsupervised Point Descriptor Learning for Robust Registration [54.95201961399334]
  UPDescは、ロバストポイントクラウド登録のためのポイント記述子を学習するための教師なしの方法である。 学習した記述子は既存の教師なし手法よりも優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2021-08-05T17:11:08Z)
• Robust Point Cloud Registration Framework Based on Deep Graph Matching [5.865029600972316]
  3Dポイントクラウド登録は、コンピュータビジョンとロボティクスにおける基本的な問題です。 点群登録のための深層グラフマッチングに基づく新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-07T04:20:29Z)

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。