論文の概要: Rotation-Invariant Transformer for Point Cloud Matching
- arxiv url: http://arxiv.org/abs/2303.08231v1
- Date: Tue, 14 Mar 2023 20:55:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-16 15:31:59.717936
- Title: Rotation-Invariant Transformer for Point Cloud Matching
- Title(参考訳): 点雲マッチングのための回転不変変圧器
- Authors: Hao Yu, Zheng Qin, Ji Hou, Mahdi Saleh, Dongsheng Li, Benjamin Busam,
Slobodan Ilic
- Abstract要約: 我々は,回転不変変換器であるRoITrを導入し,点クラウドマッチングタスクにおけるポーズ変動に対処する。
局所的なレベルから、ポーズ不変幾何を記述するために、ポイントペア特徴(PPF)ベースの座標を組み込んだアテンション機構を導入する。
さらに,自覚機構によって学習された回転不変なクロスフレーム空間認識を備えたグローバルトランスフォーマーを提案する。
- 参考スコア(独自算出の注目度): 50.365839909264
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The intrinsic rotation invariance lies at the core of matching point clouds
with handcrafted descriptors, but it is despised by most of the recent deep
matchers. As an alternative, they obtain the rotation invariance extrinsically
via data augmentation. However, the continuous SO(3) space can never be covered
by the finite number of augmented rotations, resulting in their instability
when facing rotations that are rarely seen. To this end, we introduce RoITr, a
Rotation-Invariant Transformer to cope with the pose variations in the point
cloud matching task. We contribute both on the local and global levels.
Starting from the local level, we introduce an attention mechanism embedded
with Point Pair Feature (PPF)-based coordinates to describe the pose-invariant
geometry, upon which a novel attention-based encoder-decoder is constructed. We
further propose a global transformer with rotation-invariant cross-frame
spatial awareness learned by the self-attention mechanism, which significantly
improves the feature distinctiveness and makes the model robust with respect to
the low overlap. Experiments are conducted on both the rigid and non-rigid
public benchmarks, where RoITr outperforms all the state-of-the-art models by a
considerable margin in the low-overlapping scenarios. Especially when the
rotations are enlarged on the challenging 3DLoMatch benchmark, RoITr surpasses
the existing methods by at least 13 and 5 percentage points in terms of the
Inlier Ratio and the Registration Recall, respectively.
- Abstract(参考訳): 内在的な回転不変性は、手作りのディスクリプタと一致する点雲の中核にあるが、最近のディープマッカーのほとんどによって軽蔑されている。
代替として、データ拡張によって外因的に回転不変性を得る。
しかし、連続な SO(3) 空間は有限個の増進回転によって覆われることはなく、その結果、ほとんど見られない対向回転の不安定性が生じる。
そこで,本稿では,ポイントクラウドマッチングタスクのポーズ変化に対応する回転不変変圧器roitrを紹介する。
我々は地域レベルとグローバルレベルの両方に貢献する。
局所的なレベルから、新しいアテンションベースのエンコーダデコーダを構成するポーズ不変幾何を記述するために、ポイントペア特徴(PPF)ベースの座標を組み込んだアテンション機構を導入する。
さらに,自己認識機構によって学習された回転不変なクロスフレーム空間認識を備えたグローバルトランスフォーマーを提案する。
厳密なベンチマークと非厳密なベンチマークの両方で実験が行われ、RoITrは低い重なり合いのシナリオにおいて、すべての最先端モデルよりかなり優れている。
特に、挑戦的な3DLoMatchベンチマークでローテーションが拡大されると、RoITrはInlier RatioとRegistration Recallのそれぞれで、既存のメソッドを少なくとも13と5のパーセンテージで上回っている。
関連論文リスト
- General Rotation Invariance Learning for Point Clouds via Weight-Feature
Alignment [33.40844871735528]
局所不変参照フレーム(IRF)を構築するために、ウェイト・フィーチャーアライメント(WFA)を提案する。
我々のWFAアルゴリズムは、すべての場面の点雲に対する一般的な解決策を提供する。
論文 参考訳(メタデータ) (2023-02-20T11:08:07Z) - PaRot: Patch-Wise Rotation-Invariant Network via Feature Disentanglement
and Pose Restoration [16.75367717130046]
最先端モデルは回転に対して堅牢ではなく、実際の応用に先立って未知のままである。
Patch-wise Rotation-invariant Network (PaRot)を導入する。
本モジュールは高品質な回転ロバスト特性を抽出し,提案した軽量モデルにより競争結果が得られた。
論文 参考訳(メタデータ) (2023-02-06T02:13:51Z) - ART-Point: Improving Rotation Robustness of Point Cloud Classifiers via
Adversarial Rotation [89.47574181669903]
本研究では, 点雲分類器の回転ロバスト性も, 対角訓練により得られることを示す。
具体的には、ART-Pointというフレームワークは、ポイントクラウドの回転を攻撃と見なしている。
最終的なロバストモデルに効率よく到達するために,高速なワンステップ最適化を提案する。
論文 参考訳(メタデータ) (2022-03-08T07:20:16Z) - RIConv++: Effective Rotation Invariant Convolutions for 3D Point Clouds
Deep Learning [32.18566879365623]
3Dポイントクラウドのディープラーニングは、ニューラルネットワークがポイントクラウドの機能を直接学習することのできる、有望な研究分野である。
本稿では,局所領域から強力な回転不変特徴を設計することで特徴の区別を高める,シンプルで効果的な畳み込み演算子を提案する。
ネットワークアーキテクチャは、各畳み込み層の近傍サイズを単純に調整することで、ローカルとグローバルの両方のコンテキストをキャプチャできる。
論文 参考訳(メタデータ) (2022-02-26T08:32:44Z) - Attentive Rotation Invariant Convolution for Point Cloud-based Large
Scale Place Recognition [11.433270318356675]
本稿では,Attentive Rotation Invariant Convolution (ARIConv)を提案する。
クラウドスキャンを回転させた場合の大規模位置認識タスクにおいて,本モデルが最先端の性能を達成できることを実験的に実証した。
論文 参考訳(メタデータ) (2021-08-29T09:10:56Z) - PRIN/SPRIN: On Extracting Point-wise Rotation Invariant Features [91.2054994193218]
点群解析における回転不変特徴抽出に着目した点集合学習フレームワークPRINを提案する。
さらに、PRINをスパースポイントクラウド上で直接動作するSPRINと呼ばれるスパースバージョンに拡張します。
その結果、ランダムに回転した点群を持つデータセットでは、SPRINはデータ拡張なしで最先端の方法よりも優れたパフォーマンスを発揮します。
論文 参考訳(メタデータ) (2021-02-24T06:44:09Z) - SpinNet: Learning a General Surface Descriptor for 3D Point Cloud
Registration [57.28608414782315]
ローカルな特徴を抽出するために、SpinNetと呼ばれる新しい、概念的にはシンプルで、ニューラルなアーキテクチャを導入する。
屋内と屋外の両方の実験では、SpinNetが既存の最先端技術より優れていることが示されている。
論文 参考訳(メタデータ) (2020-11-24T15:00:56Z) - Deep Positional and Relational Feature Learning for Rotation-Invariant
Point Cloud Analysis [107.9979381402172]
点雲解析のための回転不変深層ネットワークを提案する。
ネットワークは階層的であり、位置的特徴埋め込みブロックと関係的特徴埋め込みブロックという2つのモジュールに依存している。
実験では、ベンチマークデータセット上で最先端の分類とセグメンテーション性能を示す。
論文 参考訳(メタデータ) (2020-11-18T04:16:51Z) - A Rotation-Invariant Framework for Deep Point Cloud Analysis [132.91915346157018]
ネットワーク入力時に一般的な3次元カルト座標を置き換えるために,新しい低レベル純粋回転不変表現を導入する。
また,これらの表現を特徴に組み込むネットワークアーキテクチャを提案し,点とその近傍の局所的関係とグローバルな形状構造を符号化する。
本手法は, 形状分類, 部分分割, 形状検索を含む多点雲解析タスクにおいて評価する。
論文 参考訳(メタデータ) (2020-03-16T14:04:45Z)
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。