論文の概要: Challenging the Universal Representation of Deep Models for 3D Point Cloud Registration

• arxiv url: http://arxiv.org/abs/2211.16301v1
• Date: Tue, 29 Nov 2022 15:36:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-30 16:51:00.805847
• Title: Challenging the Universal Representation of Deep Models for 3D Point Cloud Registration
• Title（参考訳）: 3dポイントクラウド登録のための深層モデルの普遍表現への挑戦
• Authors: David Bojani\'c, Kristijan Bartol, Josep Forest, Stefan Gumhold, Tomislav Petkovi\'c, Tomislav Pribani\'c
• Abstract要約: 異なるアプリケーション領域にまたがる普遍的な表現を学ぶことは、オープンな研究課題である。 本研究では,3Dポイントクラウド登録のための最先端の学習手法を実験的に検証する。
• 参考スコア（独自算出の注目度）: 4.308862293120227
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning universal representations across different applications domain is an open research problem. In fact, finding universal architecture within the same application but across different types of datasets is still unsolved problem too, especially in applications involving processing 3D point clouds. In this work we experimentally test several state-of-the-art learning-based methods for 3D point cloud registration against the proposed non-learning baseline registration method. The proposed method either outperforms or achieves comparable results w.r.t. learning based methods. In addition, we propose a dataset on which learning based methods have a hard time to generalize. Our proposed method and dataset, along with the provided experiments, can be used in further research in studying effective solutions for universal representations. Our source code is available at: github.com/DavidBoja/greedy-grid-search.
• Abstract（参考訳）: 異なるアプリケーションドメインにまたがって普遍表現を学ぶことは、オープンリサーチの問題である。 実際、同じアプリケーション内で、異なるタイプのデータセットにまたがるユニバーサルアーキテクチャを見つけることは、特に3Dポイントクラウドを処理するアプリケーションではまだ未解決の問題である。 本研究では,提案する非学習ベースライン登録法に対して,最先端の3dポイントクラウド登録手法を実験的にテストした。 提案手法は, 学習に基づく手法よりも優れ, あるいは同等の結果が得られる。 さらに,学習に基づく手法の一般化に苦慮するデータセットを提案する。 提案手法とデータセットは,提案した実験とともに,汎用表現の効率的な解の研究に利用することができる。 ソースコードはgithub.com/davidboja/greedy-grid-searchから入手できます。

関連論文リスト

• Deep Learning-Based 3D Instance and Semantic Segmentation: A Review [0.0]
  3Dセグメンテーションは、かなり冗長性があり、サンプル密度が変動し、組織が不足しているため、ポイントクラウドデータでは困難である。 ディープラーニングは、一般的なAI手法として、2次元視覚領域のスペクトルにうまく使われてきた。 本研究では3Dインスタンスとセマンティックセグメンテーションに提示された多くの戦略について検討する。
  論文  参考訳（メタデータ） (2024-06-19T07:56:14Z)
• IPoD: Implicit Field Learning with Point Diffusion for Generalizable 3D Object Reconstruction from Single RGB-D Images [50.4538089115248]
  シングルビューRGB-D画像からの3Dオブジェクトの汎用化は依然として難しい課題である。 本稿では,暗黙の場学習と点拡散を調和させる新しい手法IPoDを提案する。 CO3D-v2データセットによる実験では、IPoDの優位性が確認され、Fスコアは7.8%、チャンファー距離は28.6%向上した。
  論文  参考訳（メタデータ） (2024-03-30T07:17:37Z)
• Advancing 3D finger knuckle recognition via deep feature learning [51.871256510747465]
  接触のない3Dフィンガーナックルパターンは、識別性、距離からの視認性、利便性、利便性により、効果的な生体認証として出現している。 近年、ディープニューラルネットワークの中間機能を複数のスケールで同時に組み込むディープ・フィーチャー・コラボレーティブ・ネットワークが開発されている。 本稿では,3次元指のナックル画像を表現するために,最小次元の識別特徴ベクトルを学習する可能性を検討することにより,本手法を推し進める。
  論文  参考訳（メタデータ） (2023-01-07T20:55:16Z)
• ALSO: Automotive Lidar Self-supervision by Occupancy estimation [70.70557577874155]
  本稿では,ポイントクラウド上で動作している深層知覚モデルのバックボーンを事前学習するための自己教師型手法を提案する。 中心となる考え方は、3Dポイントがサンプリングされる表面の再構成であるプリテキストタスクでモデルをトレーニングすることである。 直感的には、もしネットワークがわずかな入力ポイントのみを考慮し、シーン表面を再構築できるなら、おそらく意味情報の断片をキャプチャする。
  論文  参考訳（メタデータ） (2022-12-12T13:10:19Z)
• What Stops Learning-based 3D Registration from Working in the Real World? [53.68326201131434]
  この研究は、3Dポイントのクラウド登録失敗の原因を特定し、その原因を分析し、解決策を提案する。 最終的に、これは最も実践的な3D登録ネットワーク(BPNet)に変換される。 我々のモデルは微調整をせずに実データに一般化し、商用センサで得られた見えない物体の点雲上で最大67%の精度に達する。
  論文  参考訳（メタデータ） (2021-11-19T19:24:27Z)
• LiDAR R-CNN: An Efficient and Universal 3D Object Detector [20.17906188581305]
  自動運転の知覚システムには、LiDARベースの3D検出が欠かせません。 lidar r-cnnは,既存の3d検出器を改良できる第2段検出器である。 特に、PointPillarsの1つのバリエーションに基づいて、私たちの方法は小さなコストで新しい最先端の結果を達成できます。
  論文  参考訳（メタデータ） (2021-03-29T03:01:21Z)
• Concentric Spherical GNN for 3D Representation Learning [53.45704095146161]
  同心球面特徴写像を学習するための新しい多解畳み込みアーキテクチャを提案する。 当社の階層的アーキテクチャは、球内情報と球間情報の両方を組み込むための代替学習に基づいています。 回転データを用いた3次元分類作業における最先端性能向上へのアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2021-03-18T19:05:04Z)
• Point Transformer for Shape Classification and Retrieval of 3D and ALS Roof PointClouds [3.3744638598036123]
  本稿では,リッチポイントクラウド表現の導出を目的とした,完全注意モデルであるem Point Transformerを提案する。 モデルの形状分類と検索性能は,大規模都市データセット - RoofN3D と標準ベンチマークデータセット ModelNet40 で評価される。 提案手法は、RoofN3Dデータセットの他の最先端モデルよりも優れており、ModelNet40ベンチマークで競合する結果を与え、目に見えない点の破損に対して高い堅牢性を示す。
  論文  参考訳（メタデータ） (2020-11-08T08:11:02Z)
• Campus3D: A Photogrammetry Point Cloud Benchmark for Hierarchical Understanding of Outdoor Scene [76.4183572058063]
  複数の屋外シーン理解タスクに対して,リッチな注釈付き3Dポイントクラウドデータセットを提案する。 データセットは階層型ラベルとインスタンスベースのラベルの両方でポイントワイズアノテートされている。 本稿では,3次元点雲分割のための階層的学習問題を定式化し,様々な階層間の整合性を評価することを提案する。
  論文  参考訳（メタデータ） (2020-08-11T19:10:32Z)

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。