論文の概要: HD2Reg: Hierarchical Descriptors and Detectors for Point Cloud Registration

• arxiv url: http://arxiv.org/abs/2305.03487v1
• Date: Fri, 5 May 2023 12:57:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-08 14:01:12.944340
• Title: HD2Reg: Hierarchical Descriptors and Detectors for Point Cloud Registration
• Title（参考訳）: hd2reg: ポイントクラウド登録のための階層ディスクリプタと検出器
• Authors: Canhui Tang, Yiheng Li, Shaoyi Du, Guofa Wang, and Zhiqiang Tian
• Abstract要約: フィーチャーディスクリプタとインタクタは、機能ベースのポイントクラウド登録の2つの主要コンポーネントである。 本稿では,デュアルレベルディスクリプタと検出器を明示的に抽出し,粗大なマッチングを行うフレームワークを提案する。 提案手法は,ロバストで高精度なクラウド登録を実現し,最近のキーポイント方式よりも優れている。
• 参考スコア（独自算出の注目度）: 5.906656006176128
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Feature Descriptors and Detectors are two main components of feature-based point cloud registration. However, little attention has been drawn to the explicit representation of local and global semantics in the learning of descriptors and detectors. In this paper, we present a framework that explicitly extracts dual-level descriptors and detectors and performs coarse-to-fine matching with them. First, to explicitly learn local and global semantics, we propose a hierarchical contrastive learning strategy, training the robust matching ability of high-level descriptors, and refining the local feature space using low-level descriptors. Furthermore, we propose to learn dual-level saliency maps that extract two groups of keypoints in two different senses. To overcome the weak supervision of binary matchability labels, we propose a ranking strategy to label the significance ranking of keypoints, and thus provide more fine-grained supervision signals. Finally, we propose a global-to-local matching scheme to obtain robust and accurate correspondences by leveraging the complementary dual-level features.Quantitative experiments on 3DMatch and KITTI odometry datasets show that our method achieves robust and accurate point cloud registration and outperforms recent keypoint-based methods.
• Abstract（参考訳）: 特徴ディスクリプタと検出器は、機能ベースのポイントクラウド登録の主要な2つのコンポーネントである。 しかし、記述子や検出器の学習において、局所的および大域的意味論の明示的な表現にはほとんど注意が向けられていない。 本稿では,デュアルレベルディスクリプタと検出器を明示的に抽出し,粗粒度マッチングを行うフレームワークを提案する。 まず,局所的意味論と大域的意味論を明示的に学習するために,階層的対比学習戦略を提案し,高レベル記述子の強固なマッチング能力を訓練し,低レベル記述子を用いて局所的特徴空間を洗練する。 さらに、2つの異なる感覚でキーポイントの2つのグループを抽出する2レベル・サリエンシマップの学習を提案する。 本稿では,二項一致性ラベルの弱い監督を克服するため,キーポイントの重要ランク付けをラベル付けするランキング戦略を提案し,よりきめ細かい監視信号を提供する。 最後に、3dmatch と kitti odometry データセットを用いた定量的な実験により,本手法がロバストで正確なポイントクラウド登録を達成し,近年のkeypoint ベースの手法を上回っていることを示す。

関連論文リスト

• Global Attention-Guided Dual-Domain Point Cloud Feature Learning for Classification and Segmentation [21.421806351869552]
  上記の問題に対処するために,グローバルアテンション誘導型デュアルドメイン特徴学習ネットワーク(GAD)を提案する。 我々はまず,改良されたグローバルアテンション機構を備えたコンテキスト位置強調変換器(CPT)モジュールを考案した。 次に、デュアルドメインK-アレスト隣のフィーチャーフュージョン(DKFF)をカスケードして、効果的なフィーチャーアグリゲーションを行う。
  論文  参考訳（メタデータ） (2024-07-12T05:19:19Z)
• A Data-efficient Framework for Robotics Large-scale LiDAR Scene Parsing [10.497309421830671]
  既存の最先端の3Dポイントクラウド理解手法は、完全に教師された方法でのみうまく機能する。 この研究は、ラベルが制限されているときのポイントクラウドを理解するための、汎用的でシンプルなフレームワークを提示している。
  論文  参考訳（メタデータ） (2023-12-03T02:38:51Z)
• Learning Classifiers of Prototypes and Reciprocal Points for Universal Domain Adaptation [79.62038105814658]
  Universal Domainは、ドメインシフトとカテゴリシフトという2つのシフトを処理して、データセット間で知識を転送することを目的としている。 主な課題は、既知のクラス知識の分布をソースからターゲットに適応させながら、未知のターゲットサンプルを正しく識別することである。 既存のほとんどの手法は、まずターゲットが適応した既知の知識を訓練し、次に未知のターゲットサンプルを識別するために単一のしきい値に依存することでこの問題に対処する。
  論文  参考訳（メタデータ） (2022-12-16T09:01:57Z)
• Learning Latent Part-Whole Hierarchies for Point Clouds [41.288934432615676]
  本稿では,ポイントクラウドセグメンテーションのための部分階層を明示的に学習するエンコーダ-デコーダスタイルの潜在変数モデルを提案する。 提案手法は,トップレベル部分分割だけでなく,ミドルレベル潜在部分分割においても,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2022-11-14T03:17:33Z)
• Weakly-supervised Action Localization via Hierarchical Mining [76.00021423700497]
  弱教師付きアクションローカライゼーションは、ビデオレベルの分類ラベルだけで、与えられたビデオ内のアクションインスタンスを時間的にローカライズし、分類することを目的としている。 ビデオレベルおよびスニペットレベルでの階層的マイニング戦略,すなわち階層的監視と階層的一貫性マイニングを提案する。 我々は、HiM-NetがTHUMOS14とActivityNet1.3データセットの既存の手法よりも、階層的に監督と一貫性をマイニングすることで、大きなマージンを持つことを示す。
  論文  参考訳（メタデータ） (2022-06-22T12:19:09Z)
• Self-Supervised Point Cloud Registration with Deep Versatile Descriptors [3.2834346231107947]
  本稿では,グローバルディスクリプタとローカルディスクリプタを併用して,ポイントクラウドを自己管理的に登録することを提案する。 特徴抽出モジュールの表現能力を向上するために、局所的なジオメトリを用いることができる。 また、点雲再構成と正規推定を利用して、グローバルおよびローカルディスクリプタの変換意識を高める。
  論文  参考訳（メタデータ） (2022-01-25T01:22:48Z)
• Box2Seg: Learning Semantics of 3D Point Clouds with Box-Level Supervision [65.19589997822155]
  我々は3Dポイントクラウドのポイントレベルのセマンティクスをバウンディングボックスレベルの監視で学習するために,Box2Segと呼ばれるニューラルアーキテクチャを導入する。 提案するネットワークは,安価な,あるいは既定のバウンディングボックスレベルのアノテーションやサブクラウドレベルのタグでトレーニング可能であることを示す。
  論文  参考訳（メタデータ） (2022-01-09T09:07:48Z)
• DenseGAP: Graph-Structured Dense Correspondence Learning with Anchor Points [15.953570826460869]
  2つの画像間の密接な対応を確立することは、基本的なコンピュータビジョンの問題である。 我々は、アンカーポイントに条件付きグラフ構造化ニューラルネットワークを用いたDense対応学習のための新しいソリューションであるDenseGAPを紹介する。 提案手法は,ほとんどのベンチマークにおいて対応学習の最先端化を図っている。
  論文  参考訳（メタデータ） (2021-12-13T18:59:30Z)
• UPDesc: Unsupervised Point Descriptor Learning for Robust Registration [54.95201961399334]
  UPDescは、ロバストポイントクラウド登録のためのポイント記述子を学習するための教師なしの方法である。 学習した記述子は既存の教師なし手法よりも優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2021-08-05T17:11:08Z)
• SOLD2: Self-supervised Occlusion-aware Line Description and Detection [95.8719432775724]
  単一深層ネットワークにおける回線セグメントの最初の共同検出と記述について紹介します。 我々の手法は注釈付き行ラベルを必要としないため、任意のデータセットに一般化することができる。 複数のマルチビューデータセットにおいて,従来の行検出と記述方法に対するアプローチを評価した。
  論文  参考訳（メタデータ） (2021-04-07T19:27:17Z)
• DH3D: Deep Hierarchical 3D Descriptors for Robust Large-Scale 6DoF Relocalization [56.15308829924527]
  生の3D点から直接3次元特徴の検出と記述を共同で学習するシームズネットワークを提案する。 3次元キーポイントを検出するために,局所的な記述子の識別性を教師なしで予測する。 各種ベンチマーク実験により,本手法はグローバルポイントクラウド検索とローカルポイントクラウド登録の両面で競合する結果が得られた。
  論文  参考訳（メタデータ） (2020-07-17T20:21:22Z)

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。