論文の概要: PVT3D: Point Voxel Transformers for Place Recognition from Sparse Lidar Scans

• arxiv url: http://arxiv.org/abs/2211.12542v1
• Date: Tue, 22 Nov 2022 19:18:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-24 15:05:07.828517
• Title: PVT3D: Point Voxel Transformers for Place Recognition from Sparse Lidar Scans
• Title（参考訳）: PVT3D:スパースライダースカンからの位置認識のための点ボクセル変換器
• Authors: Yan Xia, Mariia Gladkova, Rui Wang, Jo\~ao F. Henriques, Daniel Cremers, Uwe Stilla
• Abstract要約: ポイントクラウド(LiDAR)スキャンに基づく位置認識は、ロボットや自動運転車において堅牢な自律性を達成するための重要なモジュールである。 本稿では,低メモリ要求量でのきめ細かなマッチングを実現するために,PVT3D(Point-Voxel Transformer Network)を提案する。
• 参考スコア（独自算出の注目度）: 47.949486707455705
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Place recognition based on point cloud (LiDAR) scans is an important module for achieving robust autonomy in robots or self-driving vehicles. Training deep networks to match such scans presents a difficult trade-off: a higher spatial resolution of the network's intermediate representations is needed to perform fine-grained matching of subtle geometric features, but growing it too large makes the memory requirements infeasible. In this work, we propose a Point-Voxel Transformer network (PVT3D) that achieves robust fine-grained matching with low memory requirements. It leverages a sparse voxel branch to extract and aggregate information at a lower resolution and a point-wise branch to obtain fine-grained local information. A novel hierarchical cross-attention transformer (HCAT) uses queries from one branch to try to match structures in the other branch, ensuring that both extract self-contained descriptors of the point cloud (rather than one branch dominating), but using both to inform the output global descriptor of the point cloud. Extensive experiments show that the proposed PVT3D method surpasses the state-of-the-art by a large amount on several datasets (Oxford RobotCar, TUM, USyd). For instance, we achieve AR@1 of 85.6% on the TUM dataset, which surpasses the strongest prior model by ~15%.
• Abstract（参考訳）: ポイントクラウド(LiDAR)スキャンに基づく位置認識は、ロボットや自動運転車において堅牢な自律性を達成するための重要なモジュールである。 微妙な幾何学的特徴のきめ細かいマッチングを行うために、ネットワークの中間表現の高解像度な空間解像度が必要であるが、それを増大させることでメモリ要求が実現できない。 そこで本研究では,低メモリ要求量での高精細マッチングを実現するために,PVT3D(Point-Voxel Transformer Network)を提案する。 スパース・ボクセル・ブランチを利用して、低い解像度で情報を抽出し集約し、ポイントワイズ・ブランチできめ細かいローカル情報を得る。 新たな階層的クロスアテンショントランス(hcat)は、一方のブランチからのクエリを使用して、他方のブランチの構造をマッチングし、(一方のブランチが支配するよりも)ポイントクラウドの自己完結したディスクリプタを抽出すると同時に、出力されたポイントクラウドのグローバルディスクリプタに通知する。 大規模な実験により,提案手法はいくつかのデータセット(Oxford RobotCar, TUM, USyd)において,最先端技術を超えることが判明した。 例えば、tumデータセット上で85.6%のar@1を達成しています。

関連論文リスト

• SALSA: Swift Adaptive Lightweight Self-Attention for Enhanced LiDAR Place Recognition [9.216146804584614]
  本稿では,LiDAR位置認識のための新しい,軽量で効率的なフレームワークであるSALSAを提案する。 Sphereformerのバックボーンで構成されており、半径方向の窓の注意を使って、疎い離れた地点の情報を集約することができる。 リアルタイムに動作しながら、検索とメートル法の両方のローカライゼーションの観点から、様々なLiDAR位置認識データセット上の既存の手法より優れている。
  論文  参考訳（メタデータ） (2024-07-11T08:00:19Z)
• SparseDet: A Simple and Effective Framework for Fully Sparse LiDAR-based 3D Object Detection [14.137208879448389]
  LiDARベースのスパース3Dオブジェクト検出は、自動運転アプリケーションにおいて重要な役割を果たす。 既存のメソッドでは、単一の中央のvoxelの機能をオブジェクトプロキシとして使用するか、フォアグラウンドポイントの集約されたクラスタをオブジェクトプロキシとして扱う。 本稿では,スパースクエリをオブジェクトプロキシとして設計するSparseDetを提案する。
  論文  参考訳（メタデータ） (2024-06-16T12:11:44Z)
• That's My Point: Compact Object-centric LiDAR Pose Estimation for Large-scale Outdoor Localisation [18.26335698291226]
  本稿では,LiDARスキャンにおける3次元ポーズ推定について述べる。 セグメント化されたスキャンのすべての点をセマンティックオブジェクトにクラスタリングし、それらをそれぞれのセントロイドとセマンティッククラスでのみ表現することで、これを実現する。 ほぼ半分の表現サイズを持つ最先端の手法に匹敵する正確な距離推定を実現する。
  論文  参考訳（メタデータ） (2024-03-07T18:55:30Z)
• 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)
• CPR++: Object Localization via Single Coarse Point Supervision [55.8671776333499]
  粗い点修正(CPR)は、アルゴリズムの観点からの意味的分散を緩和する最初の試みである。 CPRは、アノテートされた最初のポイントを置き換えるために、近隣地域のセマンティックセンターポイントを選択することで意味のばらつきを減らす。 CPR++は、スケール情報を取得し、グローバル領域における意味的分散をさらに低減することができる。
  論文  参考訳（メタデータ） (2024-01-30T17:38:48Z)
• Learning Continuous Implicit Field with Local Distance Indicator for Arbitrary-Scale Point Cloud Upsampling [55.05706827963042]
  点雲アップサンプリングは、疎点雲から密度が高く均一に分散した点集合を生成することを目的としている。 従来のメソッドは通常、スパースポイントクラウドをいくつかのローカルパッチ、アップサンプルパッチポイント、すべてのアップサンプルパッチにマージする。 そこで本研究では,点雲のアップサンプリングのために,局所的な先行者によって導かれる符号のない距離場を学習する手法を提案する。
  論文  参考訳（メタデータ） (2023-12-23T01:52:14Z)
• Learning Implicit Feature Alignment Function for Semantic Segmentation [51.36809814890326]
  Implicit Feature Alignment Function (IFA)は、暗黙の神経表現の急速に拡大するトピックにインスパイアされている。 IFAは機能マップを異なるレベルで暗黙的に整列し、任意の解像度でセグメンテーションマップを生成することができることを示す。 提案手法は,様々なアーキテクチャの改善と組み合わせて,一般的なベンチマークにおける最先端の精度のトレードオフを実現する。
  論文  参考訳（メタデータ） (2022-06-17T09:40:14Z)
• 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)
• Fast Point Voxel Convolution Neural Network with Selective Feature Fusion for Point Cloud Semantic Segmentation [7.557684072809662]
  本稿では,ポイントクラウド解析のための軽量畳み込みニューラルネットワークを提案する。 本手法はサンプリングなしで全点集合上で動作し,効率よく性能を向上する。
  論文  参考訳（メタデータ） (2021-09-23T19:39:01Z)
• SPU-Net: Self-Supervised Point Cloud Upsampling by Coarse-to-Fine Reconstruction with Self-Projection Optimization [52.20602782690776]
  実際のスキャンされたスパースデータからトレーニング用の大規模なペアリングスパーススキャンポイントセットを得るのは高価で面倒です。 本研究では,SPU-Net と呼ばれる自己監視型点群アップサンプリングネットワークを提案する。 本研究では,合成データと実データの両方について様々な実験を行い,最先端の教師付き手法と同等の性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-12-08T14:14:09Z)

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。