論文の概要: APR: Online Distant Point Cloud Registration Through Aggregated Point
Cloud Reconstruction
- arxiv url: http://arxiv.org/abs/2305.02893v2
- Date: Mon, 8 May 2023 11:44:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-09 11:09:24.853306
- Title: APR: Online Distant Point Cloud Registration Through Aggregated Point
Cloud Reconstruction
- Title(参考訳): APR: 集約されたポイントクラウド再構築によるオンライン遠隔地クラウド登録
- Authors: Quan Liu, Yunsong Zhou, Hongzi Zhu, Shan Chang, Minyi Guo
- Abstract要約: 本稿では,オンライン遠隔地クラウド登録のための新しい特徴抽出フレームワークであるAPRを提案する。
APRはオートエンコーダの設計を活用し、オートエンコーダは元の単一入力点クラウドの代わりに複数のフレームでより密集した点雲を再構成する。
我々の設計では、エンコーダは1つの入力ポイントクラウドに基づいて、リッチな局所幾何学情報を持つ特徴を抽出せざるを得ない。
- 参考スコア(独自算出の注目度): 22.312548725799193
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: For many driving safety applications, it is of great importance to accurately
register LiDAR point clouds generated on distant moving vehicles. However, such
point clouds have extremely different point density and sensor perspective on
the same object, making registration on such point clouds very hard. In this
paper, we propose a novel feature extraction framework, called APR, for online
distant point cloud registration. Specifically, APR leverages an autoencoder
design, where the autoencoder reconstructs a denser aggregated point cloud with
several frames instead of the original single input point cloud. Our design
forces the encoder to extract features with rich local geometry information
based on one single input point cloud. Such features are then used for online
distant point cloud registration. We conduct extensive experiments against
state-of-the-art (SOTA) feature extractors on KITTI and nuScenes datasets.
Results show that APR outperforms all other extractors by a large margin,
increasing average registration recall of SOTA extractors by 7.1% on LoKITTI
and 4.6% on LoNuScenes. Code is available at https://github.com/liuQuan98/APR.
- Abstract(参考訳): 多くの運転安全アプリケーションにとって、遠く離れた移動車両で発生するLiDAR点雲を正確に登録することが非常に重要である。
しかし、そのような点雲は同じ対象に対して非常に異なる点密度とセンサーの視点を持ち、そのような点雲の登録は非常に困難である。
本稿では,オンライン遠隔地クラウド登録のための新しい特徴抽出フレームワークであるAPRを提案する。
具体的には、オートエンコーダの設計を活用し、オートエンコーダは元の単一入力点クラウドの代わりに複数のフレームでより密集した点雲を再構成する。
我々の設計では、エンコーダは1つの入力ポイントクラウドに基づいて、リッチな局所幾何学情報を持つ特徴を抽出せざるを得ない。
このような機能は、オンライン遠隔地クラウド登録に使用される。
我々は、KITTIおよびnuScenesデータセット上で、最先端(SOTA)特徴抽出器に対して広範な実験を行う。
その結果、APRは全ての抽出機を大きなマージンで上回り、SOTA抽出機の平均登録リコールはLoKITTIで7.1%、LoNuScenesで4.6%増加した。
コードはhttps://github.com/liuQuan98/APRで入手できる。
関連論文リスト
- PointRegGPT: Boosting 3D Point Cloud Registration using Generative Point-Cloud Pairs for Training [90.06520673092702]
生成点クラウドペアを用いた3Dポイントクラウドの登録をトレーニングのために促進するPointRegGPTを提案する。
我々の知る限り、これは屋内のクラウド登録のためのリアルなデータ生成を探求する最初の生成的アプローチである。
論文 参考訳(メタデータ) (2024-07-19T06:29:57Z) - Extend Your Own Correspondences: Unsupervised Distant Point Cloud Registration by Progressive Distance Extension [23.68210065172886]
本研究では, 遠隔地における雲の分布に適応する遠隔地クラウド登録手法であるEYOCを提案する。
実験により、EYOCは、最先端の教師付き手法と同等の性能を、より低いトレーニングコストで達成できることが示されている。
論文 参考訳(メタデータ) (2024-03-06T08:18:02Z) - Zero-Shot Point Cloud Registration [94.39796531154303]
ZeroRegは、ポイントクラウドデータセットのトレーニングを不要にする最初のゼロショットポイントクラウド登録アプローチである。
ZeroRegの基盤は、キーポイントからポイントクラウドへの画像特徴の新たな移行であり、三次元幾何学的近傍からの情報を集約することによって強化されている。
3DMatch、3DLoMatch、ScanNetなどのベンチマークでは、ZeroRegはそれぞれ84%、46%、75%という印象的なリコール比(RR)を達成した。
論文 参考訳(メタデータ) (2023-12-05T11:33:16Z) - SDFReg: Learning Signed Distance Functions for Point Cloud Registration [8.465771798353904]
本稿では,不完全な点群に対する新しい点群登録フレームワークを提案する。
我々は、点雲とニューラル暗黙関数の間の登録問題に、点雲間の剛性登録の問題を置き換える。
本手法は, ノイズや不完全性, 点雲の密度変化といった課題に直面した際, 顕著な堅牢性を示す。
論文 参考訳(メタデータ) (2023-04-18T12:14:20Z) - RDMNet: Reliable Dense Matching Based Point Cloud Registration for
Autonomous Driving [15.26754768427011]
本稿では, RDMNet という新しいネットワークを提案する。
提案手法は, 高い一般化能力を有する全試験データセットにおいて, 既存の最先端手法よりも優れた性能を示す。
論文 参考訳(メタデータ) (2023-03-31T14:22:32Z) - PointCaM: Cut-and-Mix for Open-Set Point Cloud Learning [72.07350827773442]
我々は,新しいポイントカット・アンド・ミクス機構を用いて,オープンセットのクラウド学習を解決することを提案する。
トレーニング段階では,Unknown-Point Simulatorを用いてアウト・オブ・ディストリビューションデータをシミュレートする。
Unknown-Point Estimatorモジュールは、既知のデータを識別するために、ポイントクラウドの機能コンテキストを活用することを学ぶ。
論文 参考訳(メタデータ) (2022-12-05T03:53:51Z) - PointAttN: You Only Need Attention for Point Cloud Completion [89.88766317412052]
ポイント・クラウド・コンプリート(Point cloud completion)とは、部分的な3次元ポイント・クラウドから3次元の形状を完成させることである。
そこで我々は,kNNを除去するために,ポイントクラウドをポイント単位に処理する新しいニューラルネットワークを提案する。
提案するフレームワークであるPointAttNはシンプルで簡潔で効果的であり、3次元形状の構造情報を正確に捉えることができる。
論文 参考訳(メタデータ) (2022-03-16T09:20:01Z) - Unsupervised Point Cloud Representation Learning with Deep Neural
Networks: A Survey [104.71816962689296]
大規模クラウドラベリングの制約により,教師なしのポイントクラウド表現学習が注目されている。
本稿では、ディープニューラルネットワークを用いた教師なしポイントクラウド表現学習の総合的なレビューを提供する。
論文 参考訳(メタデータ) (2022-02-28T07:46:05Z) - SSPU-Net: Self-Supervised Point Cloud Upsampling via Differentiable
Rendering [21.563862632172363]
地中真理を使わずに高密度の点雲を生成するための自己教師付き点雲アップサンプリングネットワーク(SSPU-Net)を提案する。
これを実現するために,入力スパース点雲と高密度点雲との整合性を利用して画像の形状と描画を行う。
論文 参考訳(メタデータ) (2021-08-01T13:26:01Z) - Graphite: GRAPH-Induced feaTure Extraction for Point Cloud Registration [80.69255347486693]
我々は、シンプルな機能とキーポイント検出器である Graph-induced feaTure extract Pipeline を導入する。
我々は,点クラウド領域を記述し,有意な点を抽出する汎用的なグラフベース学習手法を構築した。
我々は3Dキーポイントパイプラインをグラフニューラルネットワークで再構成し、ポイントセットの効率的な処理を可能にする。
論文 参考訳(メタデータ) (2020-10-18T19:41:09Z) - DeepCLR: Correspondence-Less Architecture for Deep End-to-End Point
Cloud Registration [12.471564670462344]
この研究は、ディープニューラルネットワークを用いたポイントクラウド登録の問題に対処する。
重なり合うデータ内容を持つ2つの点雲間のアライメントを予測する手法を提案する。
提案手法は,最先端の精度と比較手法の最低実行時間を実現する。
論文 参考訳(メタデータ) (2020-07-22T08:20:57Z)
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。