論文の概要: HPointLoc: Point-based Indoor Place Recognition using Synthetic RGB-D Images

• arxiv url: http://arxiv.org/abs/2212.14649v1
• Date: Fri, 30 Dec 2022 12:20:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-02 15:30:55.301192
• Title: HPointLoc: Point-based Indoor Place Recognition using Synthetic RGB-D Images
• Title（参考訳）: HPointLoc:合成RGB-D画像を用いた点ベース屋内位置認識
• Authors: Dmitry Yudin, Yaroslav Solomentsev, Ruslan Musaev, Aleksei Staroverov, Aleksandr I. Panov
• Abstract要約: 本稿では,屋内環境における視覚的位置認識能力の探索を目的とした,HPointLocという新しいデータセットを提案する。 データセットは人気のあるHabitatシミュレータに基づいており、独自のセンサーデータとオープンデータセットの両方を使用して屋内シーンを生成することができる。
• 参考スコア（独自算出の注目度）: 58.720142291102135
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a novel dataset named as HPointLoc, specially designed for exploring capabilities of visual place recognition in indoor environment and loop detection in simultaneous localization and mapping. The loop detection sub-task is especially relevant when a robot with an on-board RGB-D camera can drive past the same place (``Point") at different angles. The dataset is based on the popular Habitat simulator, in which it is possible to generate photorealistic indoor scenes using both own sensor data and open datasets, such as Matterport3D. To study the main stages of solving the place recognition problem on the HPointLoc dataset, we proposed a new modular approach named as PNTR. It first performs an image retrieval with the Patch-NetVLAD method, then extracts keypoints and matches them using R2D2, LoFTR or SuperPoint with SuperGlue, and finally performs a camera pose optimization step with TEASER++. Such a solution to the place recognition problem has not been previously studied in existing publications. The PNTR approach has shown the best quality metrics on the HPointLoc dataset and has a high potential for real use in localization systems for unmanned vehicles. The proposed dataset and framework are publicly available: https://github.com/metra4ok/HPointLoc.
• Abstract（参考訳）: 本稿では,屋内環境における視覚位置認識とループ検出を同時に行うことを目的とした,hpointlocと呼ばれる新しいデータセットを提案する。 ループ検出サブタスクは、オンボードのrgb-dカメラを持つロボットが同じ場所(``point)を異なる角度で移動できる場合に特に重要となる。 データセットはpopular habitat simulatorに基づいており、独自のセンサーデータとmatterport3dのようなオープンデータセットの両方を使用して、フォトリアリスティックな屋内シーンを生成することができる。 HPointLocデータセットにおける位置認識問題の解法について検討するために,我々はPNTRと呼ばれる新しいモジュラーアプローチを提案する。 まず、Patch-NetVLAD法で画像検索を行い、キーポイントを抽出し、R2D2、LoFTR、SuperPointをSuperGlueでマッチングし、最終的にTEASER++でカメラポーズ最適化ステップを実行する。 このような場所認識問題に対する解決策は、既存の出版物では研究されていない。 PNTRアプローチは、HPointLocデータセット上で最高の品質指標を示しており、無人車両のローカライゼーションシステムで実際に使われる可能性が高い。 提案されたデータセットとフレームワークは、https://github.com/metra4ok/hpointloc。

関連論文リスト

• 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)
• V-DETR: DETR with Vertex Relative Position Encoding for 3D Object Detection [73.37781484123536]
  DETRフレームワークを用いた点雲のための高性能な3次元物体検出器を提案する。 限界に対処するため,新しい3次元相対位置(3DV-RPE)法を提案する。 挑戦的なScanNetV2ベンチマークで例外的な結果を示す。
  論文  参考訳（メタデータ） (2023-08-08T17:14:14Z)
• Neural Implicit Dense Semantic SLAM [83.04331351572277]
  本稿では,屋内シーンのメモリ効率,高密度な3次元形状,セマンティックセマンティックセグメンテーションをオンラインで学習する新しいRGBD vSLAMアルゴリズムを提案する。 私たちのパイプラインは、従来の3Dビジョンベースのトラッキングとループクローズとニューラルフィールドベースのマッピングを組み合わせたものです。 提案アルゴリズムはシーン認識を大幅に向上させ,様々なロボット制御問題を支援する。
  論文  参考訳（メタデータ） (2023-04-27T23:03:52Z)
• From Voxel to Point: IoU-guided 3D Object Detection for Point Cloud with Voxel-to-Point Decoder [79.39041453836793]
  We present an Intersection-over-Union (IoU) guided two-stage 3D object detector with a voxel-to-point decoder。 本稿では,Voxel based Region Proposal Network (RPN) からマップビュー機能に加えて,点特徴を抽出する残余のvoxel-to-pointデコーダを提案する。 そこで本研究では,推定したIoUと改良された提案ボックスをより関連性の高いローカライゼーション信頼度として整列する,簡便で効率的な手法を提案する。
  論文  参考訳（メタデータ） (2021-08-08T14:30:13Z)
• Large-scale Localization Datasets in Crowded Indoor Spaces [23.071409425965772]
  実世界の挑戦的環境における視覚的位置決めのための新しい5つの屋内データセットを紹介した。 韓国のソウルにある大型ショッピングモールと大都市圏の駅で捕獲された。 地上の真理カメラの正確なポーズを得るために,ロバストなLiDAR SLAMを開発した。
  論文  参考訳（メタデータ） (2021-05-19T06:20:49Z)
• Soft Expectation and Deep Maximization for Image Feature Detection [68.8204255655161]
  質問をひっくり返し、まず繰り返し可能な3Dポイントを探し、次に検出器を訓練して画像空間にローカライズする、反復的半教師付き学習プロセスSEDMを提案する。 以上の結果から,sdmを用いてトレーニングした新しいモデルでは,シーン内の下位3dポイントのローカライズが容易になった。
  論文  参考訳（メタデータ） (2021-04-21T00:35:32Z)
• Robust Place Recognition using an Imaging Lidar [45.37172889338924]
  本研究では,画像lidarを用いたロバストなリアルタイム位置認識手法を提案する。 本手法は真不変であり,逆再訪と逆逆再訪に対処できる。
  論文  参考訳（メタデータ） (2021-03-03T01:08:31Z)
• LCD -- Line Clustering and Description for Place Recognition [29.053923938306323]
  本稿では,RGB-Dカメラとラインクラスタを視覚的および幾何学的特徴として利用し,位置認識のための新しい学習ベースのアプローチを提案する。 本稿では,フレームワイド線クラスタリングのアテンション機構に基づくニューラルネットワークアーキテクチャを提案する。 同様のニューラルネットワークは、128個の浮動小数点数のコンパクトな埋め込みによるこれらのクラスタの記述に使用される。
  論文  参考訳（メタデータ） (2020-10-21T09:52:47Z)
• Distinctive 3D local deep descriptors [2.512827436728378]
  ポイントクラウドパッチは抽出され、推定されたローカル参照フレームに対して正準化され、PointNetベースのディープニューラルネットワークによって符号化される。 我々は、異なるセンサを用いて再構成された点雲からなる複数のデータセットにおいて、DIPを、別の手作り、ディープディスクリプタと比較し、比較した。
  論文  参考訳（メタデータ） (2020-09-01T06:25:06Z)

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。