論文の概要: Robust Point Cloud Registration Framework Based on Deep Graph
Matching(TPAMI Version)
- arxiv url: http://arxiv.org/abs/2211.04696v1
- Date: Wed, 9 Nov 2022 06:05:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-10 16:55:54.437088
- Title: Robust Point Cloud Registration Framework Based on Deep Graph
Matching(TPAMI Version)
- Title（参考訳）: ディープグラフマッチング(TPAMIバージョン)に基づくロバストポイントクラウド登録フレームワーク
- Authors: Kexue Fu, Jiazheng Luo, Xiaoyuan Luo, Shaolei Liu, Chenxi Zhang,
Manning Wang
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 13.286247750893681
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: 3D point cloud registration is a fundamental problem in computer vision and
robotics. Recently, learning-based point cloud registration methods have made
great progress. However, these methods are sensitive to outliers, which lead to
more incorrect correspondences. In this paper, we propose a novel deep graph
matching-based framework for point cloud registration. Specifically, we first
transform point clouds into graphs and extract deep features for each point.
Then, we develop a module based on deep graph matching to calculate a soft
correspondence matrix. By using graph matching, not only the local geometry of
each point but also its structure and topology in a larger range are considered
in establishing correspondences, so that more correct correspondences are
found. We train the network with a loss directly defined on the
correspondences, and in the test stage the soft correspondences are transformed
into hard one-to-one correspondences so that registration can be performed by a
correspondence-based solver. Furthermore, we introduce a transformer-based
method to generate edges for graph construction, which further improves the
quality of the correspondences. Extensive experiments on object-level and
scene-level benchmark datasets show that the proposed method achieves
state-of-the-art performance. The code is available at:
\href{https://github.com/fukexue/RGM}{https://github.com/fukexue/RGM}.
- Abstract（参考訳）: 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。
近年,学習に基づくポイントクラウド登録手法が大きな進歩を遂げている。
しかし、これらの手法は外れ値に敏感であり、より誤った対応をもたらす。
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。
具体的には、まず点雲をグラフに変換し、各点の深い特徴を抽出する。
次に,深部グラフマッチングに基づくモジュールを開発し,ソフト対応行列を計算する。
グラフマッチングを用いることで、各点の局所幾何学だけでなく、より広い範囲におけるその構造やトポロジーも対応付けを確立することで、より正確な対応が見出される。
我々は,対応者に直接定義された損失でネットワークを訓練し,テスト段階ではソフト対応をハードな1対1対応に変換し,対応ベースの解法で登録を行う。
さらに,グラフ構築のためのエッジを生成するトランスベース手法を導入し,対応文の品質をさらに向上させる。
オブジェクトレベルおよびシーンレベルのベンチマークデータセットに対する大規模な実験により、提案手法が最先端の性能を達成することを示す。
コードは \href{https://github.com/fukexue/rgm}{https://github.com/fukexue/rgm} で入手できる。
関連論文リスト
- SG-PGM: Partial Graph Matching Network with Semantic Geometric Fusion for 3D Scene Graph Alignment and Its Downstream Tasks [14.548198408544032]
我々は3次元シーングラフアライメントを部分的なグラフマッチング問題として扱い、グラフニューラルネットワークを用いてそれを解くことを提案する。
我々は、点雲登録法で学習した幾何学的特徴を再利用し、クラスタ化された点レベルの幾何学的特徴とノードレベルの意味的特徴を関連付ける。
本稿では,3次元シーングラフのノードワイドアライメントを用いて,事前学習した点雲登録手法からマッチング候補を再重み付けする点マッチング再構成手法を提案する。
論文 参考訳（メタデータ） (2024-03-28T15:01:58Z) - A Strong Baseline for Point Cloud Registration via Direct Superpoints Matching [7.308509114539376]
本稿では,グローバルなマッチング方式でスーパーポイントの対応を見つけるための,シンプルで効果的なベースラインを提案する。
我々の単純で効果的なベースラインは、3つのデータセットの最先端メソッドと同等かそれ以上の結果を示している。
論文 参考訳（メタデータ） (2023-07-03T21:33:40Z) - Learnable Graph Matching: A Practical Paradigm for Data Association [74.28753343714858]
これらの問題に対処するための一般的な学習可能なグラフマッチング法を提案する。
提案手法は,複数のMOTデータセット上での最先端性能を実現する。
画像マッチングでは,一般的な屋内データセットであるScanNetで最先端の手法より優れている。
論文 参考訳（メタデータ） (2023-03-27T17:39:00Z) - 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) - Geometric Transformer for Fast and Robust Point Cloud Registration [53.10568889775553]
点雲登録のための正確な対応を抽出する問題について検討する。
最近のキーポイントフリー手法は、低オーバーラップシナリオでは難しい繰り返し可能なキーポイントの検出を回避している。
本稿では,ロバストなスーパーポイントマッチングのための幾何学的特徴を学習するための幾何学変換器を提案する。
論文 参考訳（メタデータ） (2022-02-14T13:26:09Z) - COTReg:Coupled Optimal Transport based Point Cloud Registration [28.730827908402286]
本稿では,3次元点雲登録の対応性を予測するための学習フレームワークCOTRegを提案する。
2つのマッチングをワッサーシュタイン距離ベースとグロモフ=ワッサーシュタイン距離ベース最適化に変換する。
我々の対応予測パイプラインは、FCGFのような学習ベースの機能やFPFHのような伝統的な記述子に簡単に統合できます。
論文 参考訳（メタデータ） (2021-12-29T03:20:18Z) - Robust Partial-to-Partial Point Cloud Registration in a Full Range [12.86951061306046]
本稿では,全方向1の部分対部分点クラウド登録(PPR)のためのポーズ不変対応を推定するグラフマッチング・コンセンサス・ネットワーク(GMCNet)を提案する。
GMCNetは、個別に各点クラウドのポイント記述子を、クロスコンテクスト情報や、トレーニングのための接地真理対応を使わずに符号化する。
論文 参考訳（メタデータ） (2021-11-30T17:56:24Z) - DeepI2P: Image-to-Point Cloud Registration via Deep Classification [71.3121124994105]
DeepI2Pは、イメージとポイントクラウドの間のクロスモダリティ登録のための新しいアプローチです。
本手法は,カメラとライダーの座標フレーム間の相対的剛性変換を推定する。
登録問題を分類および逆カメラ投影最適化問題に変換することで難易度を回避する。
論文 参考訳（メタデータ） (2021-04-08T04:27:32Z) - Learnable Graph Matching: Incorporating Graph Partitioning with Deep
Feature Learning for Multiple Object Tracking [58.30147362745852]
フレーム間のデータアソシエーションは、Multiple Object Tracking(MOT)タスクの中核にある。
既存の手法は、主にトラックレットとフレーム内検出の間のコンテキスト情報を無視する。
そこで本研究では,学習可能なグラフマッチング手法を提案する。
論文 参考訳（メタデータ） (2021-03-30T08:58:45Z) - 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) - RPM-Net: Robust Point Matching using Learned Features [79.52112840465558]
RPM-Netは、より敏感で、より堅牢なディープラーニングベースのアプローチである。
既存の方法とは異なり、我々のRPM-Netは、部分的な可視性を備えた対応や点雲の欠如を処理します。
論文 参考訳（メタデータ） (2020-03-30T13:45:27Z)
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。