論文の概要: Robust Outlier Rejection for 3D Registration with Variational Bayes

• arxiv url: http://arxiv.org/abs/2304.01514v1
• Date: Tue, 4 Apr 2023 03:48:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-05 15:24:32.633317
• Title: Robust Outlier Rejection for 3D Registration with Variational Bayes
• Title（参考訳）: 変分ベイを用いた3次元レジストレーションにおけるロバスト外乱除去
• Authors: Haobo Jiang, Zheng Dang, Zhen Wei, Jin Xie, Jian Yang, Mathieu Salzmann
• Abstract要約: 我々は、ロバストアライメントのための新しい変分非局所ネットワークベース外乱除去フレームワークを開発した。 そこで本稿では, 投票に基づく不整合探索手法を提案し, 変換推定のための高品質な仮説的不整合をクラスタリングする。
• 参考スコア（独自算出の注目度）: 70.98659381852787
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning-based outlier (mismatched correspondence) rejection for robust 3D registration generally formulates the outlier removal as an inlier/outlier classification problem. The core for this to be successful is to learn the discriminative inlier/outlier feature representations. In this paper, we develop a novel variational non-local network-based outlier rejection framework for robust alignment. By reformulating the non-local feature learning with variational Bayesian inference, the Bayesian-driven long-range dependencies can be modeled to aggregate discriminative geometric context information for inlier/outlier distinction. Specifically, to achieve such Bayesian-driven contextual dependencies, each query/key/value component in our non-local network predicts a prior feature distribution and a posterior one. Embedded with the inlier/outlier label, the posterior feature distribution is label-dependent and discriminative. Thus, pushing the prior to be close to the discriminative posterior in the training step enables the features sampled from this prior at test time to model high-quality long-range dependencies. Notably, to achieve effective posterior feature guidance, a specific probabilistic graphical model is designed over our non-local model, which lets us derive a variational low bound as our optimization objective for model training. Finally, we propose a voting-based inlier searching strategy to cluster the high-quality hypothetical inliers for transformation estimation. Extensive experiments on 3DMatch, 3DLoMatch, and KITTI datasets verify the effectiveness of our method.
• Abstract（参考訳）: ロバストな3d登録のための学習ベースの外れ値(ミスマッチ対応)拒絶は、一般的に外れ値の除去を外れ値/外れ値の分類問題として定式化する。 この成功の核心は、識別的インリアー/アウトリアーの特徴表現を学ぶことである。 本稿では,ロバストなアライメントを実現するための,新しい変分的非局所ネットワークベースアウトリアー拒絶フレームワークを開発した。 変分ベイズ推論を用いて非局所特徴学習を再構成することで、ベイズ駆動の長距離依存性をモデル化し、不可解/外れ値区別のための識別幾何学的コンテキスト情報を集約することができる。 具体的には、ベイジアン駆動のコンテキスト依存を実現するために、我々の非ローカルネットワークの各クエリ/キー/バリューコンポーネントは、以前の特徴分布と後方特徴分布を予測する。 inlier/outlierラベルが埋め込まれ、後部特徴分布はラベルに依存して識別される。 したがって、トレーニングステップにおいて、事前を識別後段に近づけることで、テスト時にこの前段階からサンプリングした特徴を高品質な長距離依存関係をモデル化することができる。 特に、効果的な後部特徴指導を実現するために、局所的でないモデルの上に特定の確率的グラフィカルモデルを設計し、モデルトレーニングの最適化目的として変動的低境界を導出する。 最後に, 投票に基づく不整合探索手法を提案し, 変換推定のための高品質な仮説的不整合をクラスタ化する。 3DMatch, 3DLoMatch, KITTIデータセットの大規模な実験により, 本手法の有効性が検証された。

関連論文リスト

• A Likelihood Ratio-Based Approach to Segmenting Unknown Objects [4.000869978312742]
  外部監視は、既存のセグメンテーションネットワークのOoD検出を改善するために広く利用されている戦略である。 外部監視のための適応的で軽量な未知推定モジュール(UEM)を提案する。 提案手法は,複数のデータセットにまたがる新たな最先端性を実現し,従来のベストメソッドよりも平均精度5.74%向上した。
  論文  参考訳（メタデータ） (2024-09-10T11:10:32Z)
• Rejection via Learning Density Ratios [50.91522897152437]
  拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。 そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。 私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
  論文  参考訳（メタデータ） (2024-05-29T01:32:17Z)
• Beyond the Known: Adversarial Autoencoders in Novelty Detection [2.7486022583843233]
  新規性検出では、新しいデータポイントをinlierまたはoutlierに分類するかどうかを判断する。 我々は類似のフレームワークを軽量なディープネットワークで使用し、再構成誤差を伴う確率的スコアを採用する。 その結果,本手法は対象クラスを学習する上で有効であることが示唆され,いくつかのベンチマークデータセット上での最近の最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-04-06T00:04:19Z)
• Rethinking Classifier Re-Training in Long-Tailed Recognition: A Simple Logits Retargeting Approach [102.0769560460338]
  我々は,クラスごとのサンプル数に関する事前知識を必要とせず,シンプルなロジットアプローチ(LORT)を開発した。 提案手法は,CIFAR100-LT, ImageNet-LT, iNaturalist 2018など,様々な不均衡データセットの最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-03-01T03:27:08Z)
• Leveraging Uncertainty Estimates To Improve Classifier Performance [4.4951754159063295]
  バイナリ分類では、正のクラスのモデルスコアが、アプリケーション要求に基づいて選択されたしきい値を超えるかどうかに基づいて、インスタンスのラベルを予測する。 しかし、モデルスコアは真の肯定率と一致しないことが多い。 これは特に、クラス間の差分サンプリングを含むトレーニングや、トレインとテスト設定間の分散ドリフトがある場合に当てはまる。
  論文  参考訳（メタデータ） (2023-11-20T12:40:25Z)
• Explaining Cross-Domain Recognition with Interpretable Deep Classifier [100.63114424262234]
  解釈可能なDeep(IDC)は、ターゲットサンプルの最も近いソースサンプルを、分類器が決定を下す証拠として学習する。 我々のIDCは、精度の劣化がほとんどなく、最適なリジェクションオプションの分類を効果的に調整する、より説明可能なモデルに導かれる。
  論文  参考訳（メタデータ） (2022-11-15T15:58:56Z)
• Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D Object Detection [85.11649974840758]
  3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。 そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
  論文  参考訳（メタデータ） (2021-11-30T18:42:42Z)
• Homophily Outlier Detection in Non-IID Categorical Data [43.51919113927003]
  この研究は、新しい外れ値検出フレームワークとその2つのインスタンスを導入し、カテゴリデータの外れ値を特定する。 まず、分布に敏感な外部因子とその相互依存性を値値グラフベースの表現に定義し、組み込む。 学習した値の外れ度は、直接の外れ値検出または特徴選択の除外を可能にする。
  論文  参考訳（メタデータ） (2021-03-21T23:29:33Z)
• Learning while Respecting Privacy and Robustness to Distributional Uncertainties and Adversarial Data [66.78671826743884]
  分散ロバストな最適化フレームワークはパラメトリックモデルのトレーニングのために検討されている。 目的は、逆操作された入力データに対して頑健なトレーニングモデルを提供することである。 提案されたアルゴリズムは、オーバーヘッドがほとんどない堅牢性を提供する。
  論文  参考訳（メタデータ） (2020-07-07T18:25:25Z)

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。