論文の概要: ORCHNet: A Robust Global Feature Aggregation approach for 3D LiDAR-based
Place recognition in Orchards
- arxiv url: http://arxiv.org/abs/2303.00477v2
- Date: Tue, 6 Feb 2024 14:29:29 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-07 21:16:35.310001
- Title: ORCHNet: A Robust Global Feature Aggregation approach for 3D LiDAR-based
Place recognition in Orchards
- Title（参考訳）: ORCHNet: 果樹園における3次元LiDARに基づく位置認識のためのロバストグローバルな特徴集約アプローチ
- Authors: T. Barros, L. Garrote, P. Conde, M.J. Coombes, C. Liu, C. Premebida,
U.J. Nunes
- Abstract要約: ORCHNetは3D-LiDARスキャンをグローバルディスクリプタにマッピングするディープラーニングアプローチである。
ORCHNetは、夏と秋の季節のデータを含む果樹園で収集された実世界のデータに基づいて評価される。
さらに,ORCHNetをループ閉鎖検出器として利用する局所化フレームワークの一部として,提案手法の評価を行った。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Robust and reliable place recognition and loop closure detection in
agricultural environments is still an open problem. In particular, orchards are
a difficult case study due to structural similarity across the entire field. In
this work, we address the place recognition problem in orchards resorting to 3D
LiDAR data, which is considered a key modality for robustness. Hence, we
propose ORCHNet, a deep-learning-based approach that maps 3D-LiDAR scans to
global descriptors. Specifically, this work proposes a new global feature
aggregation approach, which fuses multiple aggregation methods into a robust
global descriptor. ORCHNet is evaluated on real-world data collected in
orchards, comprising data from the summer and autumn seasons. To assess the
robustness, we compare ORCHNet with state-of-the-art aggregation approaches on
data from the same season and across seasons. Moreover, we additionally
evaluate the proposed approach as part of a localization framework, where
ORCHNet is used as a loop closure detector. The empirical results indicate
that, on the place recognition task, ORCHNet outperforms the remaining
approaches, and is also more robust across seasons. As for the localization,
the edge cases where the path goes through the trees are solved when
integrating ORCHNet as a loop detector, showing the potential applicability of
the proposed approach in this task. The code will be publicly available
at:\url{https://github.com/Cybonic/ORCHNet.git}
- Abstract（参考訳）: 農業環境におけるロバストで信頼性の高い位置認識とループ閉鎖検出は依然として未解決の問題である。
特に果樹園は、全分野にわたる構造的類似性のため、難しいケーススタディである。
本研究では,3次元LiDARデータを利用した果樹園における位置認識問題に対処する。
そこで我々は,3D-LiDARスキャンをグローバルディスクリプタにマッピングするディープラーニングベースのアプローチORCHNetを提案する。
具体的には,複数のアグリゲーションメソッドをロバストなグローバルディスクリプタに融合する,新たなグローバル機能アグリゲータアプローチを提案する。
ORCHNetは、夏と秋の季節のデータを含む果樹園で収集された実世界のデータに基づいて評価される。
このロバスト性を評価するために,orchnet と同一季節および季節間のデータを用いた最先端の集計手法を比較した。
さらに,ORCHNetをループ閉鎖検出器として利用する局所化フレームワークの一部として,提案手法を評価した。
実験結果から, ORCHNetは場所認識タスクにおいて, 残りのアプローチよりも優れており, シーズンを通じて堅牢であることがわかった。
ローカライゼーションに関しては,ORCHNetをループ検出器として統合する際,木を通り抜けるエッジケースを解決し,本課題における提案手法の適用可能性を示す。
コードは:\url{https://github.com/Cybonic/ORCHNet.git}で公開される。
関連論文リスト
- FUSELOC: Fusing Global and Local Descriptors to Disambiguate 2D-3D Matching in Visual Localization [57.59857784298536]
直接2D-3Dマッチングアルゴリズムでは、メモリが大幅に削減されるが、より大きくあいまいな検索空間のために精度が低下する。
本研究では,2次元3次元探索フレームワーク内の重み付き平均演算子を用いて局所的およびグローバルな記述子を融合させることにより,この曖昧さに対処する。
ローカルのみのシステムの精度を常に改善し、メモリ要求を半減させながら階層的な手法に近い性能を達成する。
論文 参考訳（メタデータ） (2024-08-21T23:42:16Z) - 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) - Region Prediction for Efficient Robot Localization on Large Maps [5.75614168271028]
そこで本研究では,位置認識のためのマップノードのサブセットを事前選択する手法を提案する。
領域ラベルはディープニューラルネットワークの予測対象となり、ナビゲーション中は、高い確率で予測される領域に関連するノードのみをマッチングとして考慮する。
論文 参考訳（メタデータ） (2023-03-01T07:42:48Z) - Collaborative Propagation on Multiple Instance Graphs for 3D Instance
Segmentation with Single-point Supervision [63.429704654271475]
本稿では,1つのオブジェクトを1つのポイントでラベル付けするだけでよい,弱教師付き手法RWSegを提案する。
これらの疎いラベルにより、セマンティック情報とインスタンス情報を伝達する2つの分岐を持つ統一的なフレームワークを導入する。
具体的には、異なるインスタンスグラフ間の競合を促進するクロスグラフ競合ランダムウォークス(CRW)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-08-10T02:14:39Z) - GLENet: Boosting 3D Object Detectors with Generative Label Uncertainty Estimation [70.75100533512021]
本稿では,対象物の潜在的可算有界箱の多様性として,ラベルの不確実性問題を定式化する。
本稿では,条件付き変分オートエンコーダを応用した生成フレームワークであるGLENetを提案する。
GLENetが生成するラベルの不確実性はプラグアンドプレイモジュールであり、既存のディープ3D検出器に便利に統合することができる。
論文 参考訳（メタデータ） (2022-07-06T06:26:17Z) - LoGG3D-Net: Locally Guided Global Descriptor Learning for 3D Place
Recognition [31.105598103211825]
追加のトレーニング信号(局所的整合性損失)が、リビジョン間で一貫性のある局所的特徴の学習にネットワークを導くことができることを示す。
私たちは、LoGG3D-Netと呼ばれるエンドツーエンドのトレーニング可能なアーキテクチャでアプローチを定式化します。
論文 参考訳（メタデータ） (2021-09-17T03:32:43Z) - Triggering Failures: Out-Of-Distribution detection by learning from
local adversarial attacks in Semantic Segmentation [76.2621758731288]
セグメンテーションにおけるアウト・オブ・ディストリビューション(OOD)オブジェクトの検出に取り組む。
私たちの主な貢献は、ObsNetと呼ばれる新しいOOD検出アーキテクチャであり、ローカル・アタック(LAA)に基づく専用トレーニングスキームと関連付けられています。
3つの異なるデータセットの文献の最近の10つの手法と比較して,速度と精度の両面で最高の性能が得られることを示す。
論文 参考訳（メタデータ） (2021-08-03T17:09:56Z) - A Score-and-Search Approach to Learning Bayesian Networks with Noisy-OR
Relations [3.81379858342235]
ベイズネットワークは、よく知られたスコア・アンド・サーチ手法を用いてデータから学習することができる。
ノイズとORの関係の重要かつ広く有用な事例にスコア・アンド・サーチ・アプローチをどのように拡張するかを示す。
論文 参考訳（メタデータ） (2020-11-03T03:20:44Z) - DH3D: Deep Hierarchical 3D Descriptors for Robust Large-Scale 6DoF
Relocalization [56.15308829924527]
生の3D点から直接3次元特徴の検出と記述を共同で学習するシームズネットワークを提案する。
3次元キーポイントを検出するために,局所的な記述子の識別性を教師なしで予測する。
各種ベンチマーク実験により,本手法はグローバルポイントクラウド検索とローカルポイントクラウド登録の両面で競合する結果が得られた。
論文 参考訳（メタデータ） (2020-07-17T20:21:22Z) - An Explicit Local and Global Representation Disentanglement Framework
with Applications in Deep Clustering and Unsupervised Object Detection [9.609936822226633]
我々はSPLITと呼ばれるフレームワークを提案し、ローカルおよびグローバルな情報を解き放つことができる。
我々のフレームワークは、可変オートエンコーダ(VAE)フレームワークに生成仮定を追加する。
このフレームワークは,これらのモデル内の局所的およびグローバル的情報を効果的に切り離すことができることを示す。
論文 参考訳（メタデータ） (2020-01-24T12:09:20Z)
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。