論文の概要: kNN-Res: Residual Neural Network with kNN-Graph coherence for point cloud registration
- arxiv url: http://arxiv.org/abs/2304.00050v3
- Date: Wed, 27 Nov 2024 12:22:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-28 15:23:44.698615
- Title: kNN-Res: Residual Neural Network with kNN-Graph coherence for point cloud registration
- Title(参考訳): kNN-Res: ポイントクラウド登録のためのkNN-Graphコヒーレンスを用いた残留ニューラルネットワーク
- Authors: Muhammad S. Battikh, Artem Lensky, Dillon Hammill, Matthew Cook,
- Abstract要約: 本稿では,残差ニューラルネットワークを用いた点集合登録手法を提案する。
提案された正規化は、局所位相を保存するためのプロキシとして、大域的滑らか性制約に依存している。
我々は、変換された点集合のコヒーレンスkNNグラフに十分であることを示すヤコビアンベースのコストの理論的正当性を示す。
- 参考スコア(独自算出の注目度): 0.464982780843177
- License:
- Abstract: In this paper, we present a method based on a residual neural network for point set registration that preserves the topological structure of the target point set. Similar to coherent point drift (CPD), the registration (alignment) problem is viewed as the movement of data points sampled from a target distribution along a regularized displacement vector field. Although the coherence constraint in CPD is stated in terms of local motion coherence, the proposed regularization relies on a global smoothness constraint as a proxy for preserving local topology. This makes CPD less flexible when the deformation is locally rigid but globally non-rigid as in the case of multiple objects and articulate pose registration. A kNN-graph coherence cost and geometric-aware statistical distances are proposed to mitigate these issues. To create an end-to-end trainable pipeline, a simple Jacobian-based cost is introduced as a proxy for the intrinsically discrete kNN-graph cost. We present a theoretical justification for our Jacobian-based cost showing that it is sufficient for the preservation of the kNN-graph of the transformed point set. Further, to tackle the registration of high-dimensional point sets, a constant time stochastic approximation of the kNN-graph coherence cost is introduced. The proposed method is illustrated on several 2-dimensional examples and tested on high-dimensional flow cytometry datasets where the task is to align two distributions of cells whilst preserving the kNN-graph in order to preserve the biological signal of the transformed data. The implementation of the proposed approach is available at https://github.com/MuhammadSaeedBatikh/kNN-Res_Demo/ under the MIT license.
- Abstract(参考訳): 本稿では,目標点集合の位相構造を保存した残差ニューラルネットワークを用いた点集合登録手法を提案する。
コヒーレント・ポイントドリフト(CPD)と同様に、登録(アライメント)問題は、正規化された変位ベクトル場に沿って対象分布からサンプリングされたデータポイントの移動と見なされる。
CPDにおけるコヒーレンス制約は局所運動コヒーレンスの観点から述べられているが、提案された正規化は局所位相を保存するためのプロキシとして大域的滑らか性制約に依存する。
これにより、CPDは、変形が局所的に剛性であるが、複数のオブジェクトの場合のように、グローバルに非剛性であるときに柔軟性を損なう。
これらの問題を緩和するために、kNNグラフのコヒーレンスコストと幾何認識の統計距離を提案する。
エンドツーエンドのトレーニング可能なパイプラインを作成するために、本質的に離散的なkNNグラフコストのプロキシとして、単純なJacobianベースのコストが導入された。
変換点集合のkNNグラフの保存に十分であることを示すヤコビアンベースのコストの理論的正当性を示す。
さらに、高次元点集合の登録に取り組むために、kNNグラフコヒーレンスコストの一定時間確率近似を導入する。
提案手法は,kNNグラフの保存中に2つの細胞分布を調整し,生体信号の保存を行う高次元フローサイトメトリーデータセットを用いて実験を行った。
提案されたアプローチの実装は、MITライセンス下でhttps://github.com/MuhammadSaeedBatikh/kNN-Res_Demo/で利用可能である。
関連論文リスト
- Positional Encoder Graph Quantile Neural Networks for Geographic Data [4.277516034244117]
我々は,PE-GNN,Quantile Neural Networks,および再校正技術を完全非パラメトリックフレームワークに統合する新しい手法である,位置グラフ量子ニューラルネットワーク(PE-GQNN)を紹介する。
ベンチマークデータセットの実験では、PE-GQNNは予測精度と不確実性の定量化の両方で既存の最先端手法を著しく上回っている。
論文 参考訳(メタデータ) (2024-09-27T16:02:12Z) - SPARE: Symmetrized Point-to-Plane Distance for Robust Non-Rigid Registration [76.40993825836222]
本研究では,SPAREを提案する。SPAREは,非剛性登録のための対称化点-平面間距離を用いた新しい定式化である。
提案手法は, 厳密でない登録問題の精度を大幅に向上し, 比較的高い解効率を維持する。
論文 参考訳(メタデータ) (2024-05-30T15:55:04Z) - Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。
提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
論文 参考訳(メタデータ) (2024-01-12T17:57:07Z) - Shape-Graph Matching Network (SGM-net): Registration for Statistical
Shape Analysis [20.58923754314197]
本稿では,形状グラフと呼ばれるデータオブジェクトの形状の統計的解析に着目する。
ここでの重要なニーズは、オブジェクト間のポイント(ノードからノード、エッジからエッジ)の制限された登録である。
本稿では,ニューラルネットアーキテクチャを用いて,この登録問題に対処する。
論文 参考訳(メタデータ) (2023-08-14T00:42:03Z) - SEM-GAT: Explainable Semantic Pose Estimation using Learned Graph
Attention [10.883346969896621]
本稿では,信頼度の高いポイントクラウド登録候補の識別を導くために,意味論と局所幾何学を利用したグラフニューラルネットワーク(GNN)に基づく手法を提案する。
環境のセマンティックおよび形態学的特徴は、登録のための重要な基準点として機能し、正確なライダーベースのポーズ推定を可能にする。
提案手法をKITTIオドメトリデータセット上でテストし,ベンチマーク手法と比較して競合精度が向上し,より少ないネットワークパラメータに依存しながら,トラックのスムーズさが向上した。
論文 参考訳(メタデータ) (2023-08-07T16:43:46Z) - Joint Bayesian Inference of Graphical Structure and Parameters with a
Single Generative Flow Network [59.79008107609297]
本稿では,ベイジアンネットワークの構造上の結合後部を近似する手法を提案する。
サンプリングポリシが2フェーズプロセスに従う単一のGFlowNetを使用します。
パラメータは後部分布に含まれるため、これは局所確率モデルに対してより柔軟である。
論文 参考訳(メタデータ) (2023-05-30T19:16:44Z) - Neural networks for geospatial data [0.0]
NN-GLSは、GPモデルの非線形平均に対する新しいニューラルネットワーク推定アルゴリズムである。
NN-GLSはグラフニューラルネットワーク(GNN)の特殊型として表現されていることを示す。
理論的には、NN-GLSは不規則に観測された空間相関データプロセスに一貫性があることが示されている。
論文 参考訳(メタデータ) (2023-04-18T17:52:23Z) - On the Effective Number of Linear Regions in Shallow Univariate ReLU
Networks: Convergence Guarantees and Implicit Bias [50.84569563188485]
我々は、ラベルが$r$のニューロンを持つターゲットネットワークの符号によって決定されるとき、勾配流が方向収束することを示す。
我々の結果は、標本サイズによらず、幅が$tildemathcalO(r)$である、緩やかなオーバーパラメータ化をすでに維持しているかもしれない。
論文 参考訳(メタデータ) (2022-05-18T16:57:10Z) - A Point-Cloud Deep Learning Framework for Prediction of Fluid Flow
Fields on Irregular Geometries [62.28265459308354]
ネットワークは空間位置とCFD量のエンドツーエンドマッピングを学習する。
断面形状の異なるシリンダーを過ぎる非圧縮層状定常流を考察する。
ネットワークは従来のCFDの数百倍の速さで流れ場を予測する。
論文 参考訳(メタデータ) (2020-10-15T12:15:02Z) - Scope Head for Accurate Localization in Object Detection [135.9979405835606]
本研究では,各位置のアンカーを相互依存関係としてモデル化したScopeNetと呼ばれる新しい検出器を提案する。
我々の簡潔で効果的な設計により、提案したScopeNetはCOCOの最先端の成果を達成する。
論文 参考訳(メタデータ) (2020-05-11T04:00:09Z)
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。