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: 翻訳完了
• 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

• CRIN: Rotation-Invariant Point Cloud Analysis and Rotation Estimation via Centrifugal Reference Frame [60.24797081117877]
  CRIN,すなわち遠心回転不変ネットワークを提案する。 CRINは点の座標を直接入力として取り、局所点を回転不変表現に変換する。 点に基づく3次元回転の連続分布を導入する。
  論文  参考訳（メタデータ） (2023-03-06T13:14:10Z)
• General Rotation Invariance Learning for Point Clouds via Weight-Feature Alignment [40.421478916432676]
  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)
• 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)
• 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)
• Quaternion Equivariant Capsule Networks for 3D Point Clouds [58.566467950463306]
  本稿では,3次元回転と翻訳に同値な点雲を処理するための3次元カプセルモジュールを提案する。 カプセル間の動的ルーティングをよく知られたWeiszfeldアルゴリズムに接続する。 オペレーターに基づいて、ポーズから幾何学をアンタングルするカプセルネットワークを構築します。
  論文  参考訳（メタデータ） (2019-12-27T13:51:17Z)

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。