論文の概要: DeepMapping2: Self-Supervised Large-Scale LiDAR Map Optimization

• arxiv url: http://arxiv.org/abs/2212.06331v1
• Date: Tue, 13 Dec 2022 02:22:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-14 14:47:46.126994
• Title: DeepMapping2: Self-Supervised Large-Scale LiDAR Map Optimization
• Title（参考訳）: DeepMapping2: 自己監督型大規模LiDARマップ最適化
• Authors: Chao Chen, Xinhao Liu, Yiming Li, Li Ding, Chen Feng
• Abstract要約: LiDARマッピングは、自動運転とモバイルロボティクスにおいて重要であるが、難しい。 このようなグローバルなクラウド登録問題に対処するため、DeepMappingは複雑なマップ推定を単純なディープネットワークの自己教師型トレーニングに変換する。 小規模なデータセットに広範に収束しているにもかかわらず、DeepMappingは数千のフレームを持つ大規模なデータセットで十分な結果を出すことはできない。 これはループ閉鎖と正確なクロスフレーム点対応の欠如と、そのグローバルなローカライゼーションネットワークの緩やかな収束によるものである。
• 参考スコア（独自算出の注目度）: 18.223139150076488
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LiDAR mapping is important yet challenging in self-driving and mobile robotics. To tackle such a global point cloud registration problem, DeepMapping converts the complex map estimation into a self-supervised training of simple deep networks. Despite its broad convergence range on small datasets, DeepMapping still cannot produce satisfactory results on large-scale datasets with thousands of frames. This is due to the lack of loop closures and exact cross-frame point correspondences, and the slow convergence of its global localization network. We propose DeepMapping2 by adding two novel techniques to address these issues: (1) organization of training batch based on map topology from loop closing, and (2) self-supervised local-to-global point consistency loss leveraging pairwise registration. Our experiments and ablation studies on public datasets (KITTI, NCLT, and Nebula) demonstrate the effectiveness of our method. Our code will be released.
• Abstract（参考訳）: LiDARマッピングは、自動運転とモバイルロボティクスにおいて重要であるが、難しい。 このようなグローバルなクラウド登録問題に対処するため、DeepMappingは複雑なマップ推定を単純なディープネットワークの自己教師型トレーニングに変換する。 小規模データセットの収束範囲は広いが、数千のフレームを持つ大規模データセットでは、deepmappingでは十分な結果が得られない。 これはループ閉鎖と正確なクロスフレーム点対応の欠如と、そのグローバルなローカライゼーションネットワークの緩やかな収束によるものである。 1) ループ閉包からマップトポロジをベースとしたトレーニングバッチの編成,(2) 相互登録を利用した自己教師付きローカル-グローバル-ポイント整合性損失の2つの新しい手法によりDeepMapping2を提案する。 公開データセット(KITTI,NCLT,Nebula)に関する実験およびアブレーション研究により,本手法の有効性が示された。 私たちのコードはリリースされます。

関連論文リスト

• Deep Loss Convexification for Learning Iterative Models [11.36644967267829]
  点雲登録のための反復的最近点(ICP)のような反復的手法は、しばしば悪い局所最適性に悩まされる。 我々は,各地真実の周囲に凸景観を形成する学習を提案する。
  論文  参考訳（メタデータ） (2024-11-16T01:13:04Z)
• PointRegGPT: Boosting 3D Point Cloud Registration using Generative Point-Cloud Pairs for Training [90.06520673092702]
  生成点クラウドペアを用いた3Dポイントクラウドの登録をトレーニングのために促進するPointRegGPTを提案する。 我々の知る限り、これは屋内のクラウド登録のためのリアルなデータ生成を探求する最初の生成的アプローチである。
  論文  参考訳（メタデータ） (2024-07-19T06:29:57Z)
• AGL-NET: Aerial-Ground Cross-Modal Global Localization with Varying Scales [45.315661330785275]
  我々は,LiDAR点雲と衛星地図を用いたグローバルローカライゼーションのための新しい学習手法であるAGL-NETを提案する。 我々は,特徴マッチングのための画像と点間の表現ギャップを埋めること,グローバルビューとローカルビューのスケールの相違に対処すること,という2つの重要な課題に取り組む。
  論文  参考訳（メタデータ） (2024-04-04T04:12:30Z)
• Diffusion-based Data Augmentation for Object Counting Problems [62.63346162144445]
  拡散モデルを用いて広範なトレーニングデータを生成するパイプラインを開発する。 拡散モデルを用いて位置ドットマップ上に条件付き画像を生成するのはこれが初めてである。 提案した拡散モデルにおけるカウント損失は,位置ドットマップと生成した群集画像との差を効果的に最小化する。
  論文  参考訳（メタデータ） (2024-01-25T07:28:22Z)
• LRRU: Long-short Range Recurrent Updating Networks for Depth Completion [45.48580252300282]
  深度補修をより効率的に行うために,Long-Short Range Recurrent Updating (LRRU) ネットワークを提案する。 LRRUはまずスパース入力を大まかに満たして初期密度の深度マップを取得し、次に学習された空間変化カーネルを通して反復的に更新する。 我々の初期深度マップには粗いが完全な深度情報があり、粗い深度から深度を直接退避させる負担を軽減できる。
  論文  参考訳（メタデータ） (2023-10-13T09:04:52Z)
• 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)
• Efficient Depth Completion Using Learned Bases [94.0808155168311]
  深度補正のための新しい大域的幾何制約を提案する。 低次元部分空間上によく配置される深さ写像を仮定することにより、高密度深度写像は全解像度の主深度基底の重み付け和で近似することができる。
  論文  参考訳（メタデータ） (2020-12-02T11:57:37Z)
• Cascaded Refinement Network for Point Cloud Completion with Self-supervision [74.80746431691938]
  形状整形のための2分岐ネットワークを提案する。 第1分枝は、完全なオブジェクトを合成するためのカスケード形状補完サブネットワークである。 第2のブランチは、元の部分入力を再構築する自動エンコーダである。
  論文  参考訳（メタデータ） (2020-10-17T04:56:22Z)
• Suppress and Balance: A Simple Gated Network for Salient Object Detection [89.88222217065858]
  両問題を同時に解くための単純なゲートネットワーク(GateNet)を提案する。 多レベルゲートユニットの助けを借りて、エンコーダからの貴重なコンテキスト情報をデコーダに最適に送信することができる。 さらに,提案したFold-ASPP操作(Fold-ASPP)に基づくアトラス空間ピラミッドプーリングを用いて,様々なスケールのサリアンオブジェクトを正確に位置決めする。
  論文  参考訳（メタデータ） (2020-07-16T02:00:53Z)

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。