論文の概要: Detection and Classification of Pole-like Landmarks for Domain-invariant 3D Point Cloud Map Matching

• arxiv url: http://arxiv.org/abs/2305.06845v1
• Date: Thu, 11 May 2023 14:40:20 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-12 14:33:58.562312
• Title: Detection and Classification of Pole-like Landmarks for Domain-invariant 3D Point Cloud Map Matching
• Title（参考訳）: 領域不変3次元点クラウドマップマッチングのための極状ランドマークの検出と分類
• Authors: Sun Yifei, Li Dingrui, Ye Minying, Tanaka Kanji
• Abstract要約: 3Dポイントのクラウドベースの視覚的自己ローカライゼーションでは、ポールランドマークは正確で信頼性の高いローカライゼーションのランドマークとして大きな可能性を秘めている。 本研究では,ポールランドマークに基づく自己ローカライゼーションの文脈において,最近開発された極分類のためのディープラーニングモデルの利用について検討する。 NCLTデータセットを用いた実験により,極状ランドマーク分類法は,ベースライン法と比較して視覚的自己局在化システムに改善効果が認められた。
• 参考スコア（独自算出の注目度）: 3.0969191504482243
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In 3D point cloud-based visual self-localization, pole landmarks have a great potential as landmarks for accurate and reliable localization due to their long-term stability under seasonal and weather changes. In this study, we aim to explore the use of recently developed deep learning models for pole classification in the context of pole landmark-based self-localization. Specifically, the proposed scheme consists of two main modules: pole map matching and pole class matching. In the former module, local pole map is constructed and its configuration is compared against a precomputed global pole map. An efficient RANSAC map matching is employed to achieve a good tradeoff between computational efficiency and accuracy. In the latter pole class matching module, the local and global poles paired by the RANSAC map-matching are further compared by means of pole attribute class. To this end, a predefined set of pseudo pole classes is learned via k-means clustering in a self-supervised manner. Experiments using publicly available NCLT dataset showed that the pole-like landmark classification method has an improved effect on the visual self-localization system compared with the baseline method.
• Abstract（参考訳）: 3Dポイントの雲に基づく視覚的自己局在化では、ポールランドマークは季節や天候の変化による長期的安定性のため、正確で信頼性の高い位置化のランドマークとして大きな可能性がある。 本研究では,ポールランドマークに基づく自己ローカライゼーションの文脈において,最近開発された極分類のためのディープラーニングモデルの利用について検討する。 具体的には、提案手法は、ポールマップマッチングとポールクラスマッチングの2つの主要なモジュールから構成される。 前者モジュールでは、局所極マップを構築し、その構成を予め計算された大域極マップと比較する。 効率的なRANSACマップマッチングを用いて、計算効率と精度の良好なトレードオフを実現する。 後者の極クラスマッチングモジュールでは、RANSACマップマッチングによってペア化された局所極と大域極は、極属性クラスによりさらに比較される。 この目的のために、予め定義された疑似極クラスの集合は、自己教師ありの方法でk平均クラスタリングによって学習される。 NCLTデータセットを用いた実験により,極状ランドマーク分類法は,ベースライン法と比較して視覚的自己局在化システムに改善効果を示した。

関連論文リスト

• CLIP-Clique: Graph-based Correspondence Matching Augmented by Vision Language Models for Object-based Global Localization [0.0]
  オブジェクトマップ上のローカライズのための最も有望なアプローチの1つは、セマンティックグラフマッチングを使用することである。 従来の問題に対処するために、視覚言語モデルを用いた対応マッチングを強化する。 さらに、inlierはグラフ理論のアプローチを用いて決定的に推定される。
  論文  参考訳（メタデータ） (2024-10-04T00:23:20Z)
• DRIP: Discriminative Rotation-Invariant Pole Landmark Descriptor for 3D LiDAR Localization [1.474723404975345]
  3D LiDARベースのロボットの自己ローカライゼーションでは、ポールのようなランドマークが軽量で差別的なランドマークとして人気を集めている。 この研究は「差別的な回転不変極」を導入し、ポールのようなランドマークの識別性を高める。 我々は、教師なし学習を通してポール辞書を訓練し、それを使ってポールをコンパクトなポール語に圧縮する。
  論文  参考訳（メタデータ） (2024-06-17T07:13:07Z)
• Map-aided annotation for pole base detection [0.0]
  本稿では2次元HDマップを用いて,画像中の極状特徴を自動的にアノテートする。 高さ情報がない場合、地図の特徴は地上のポールベースとして表現される。 ポールベースを検出するためにオブジェクト検出器をどのように訓練するかを示す。
  論文  参考訳（メタデータ） (2024-03-04T09:23:11Z)
• CPR++: Object Localization via Single Coarse Point Supervision [55.8671776333499]
  粗い点修正(CPR)は、アルゴリズムの観点からの意味的分散を緩和する最初の試みである。 CPRは、アノテートされた最初のポイントを置き換えるために、近隣地域のセマンティックセンターポイントを選択することで意味のばらつきを減らす。 CPR++は、スケール情報を取得し、グローバル領域における意味的分散をさらに低減することができる。
  論文  参考訳（メタデータ） (2024-01-30T17:38:48Z)
• Online Pole Segmentation on Range Images for Long-term LiDAR Localization in Urban Environments [32.34672033386747]
  オンラインで実行される幾何学的特徴に基づく,新しい,正確かつ高速な極抽出手法を提案する。 本手法は3次元LiDARスキャンから生成した範囲画像を直接計算する。 抽出した極を擬似ラベルとして、オンライン範囲画像に基づく極分割のためのディープニューラルネットワークをトレーニングする。
  論文  参考訳（メタデータ） (2022-08-15T17:58:08Z)
• Contrastive Neighborhood Alignment [81.65103777329874]
  本稿では,学習特徴のトポロジを維持するための多様体学習手法であるContrastive Neighborhood Alignment(CNA)を提案する。 対象モデルは、対照的な損失を用いて、ソース表現空間の局所構造を模倣することを目的としている。 CNAは3つのシナリオで説明される: 多様体学習、モデルが元のデータの局所的なトポロジーを次元還元された空間で維持する、モデル蒸留、小さな学生モデルがより大きな教師を模倣するために訓練される、レガシーモデル更新、より強力なモデルに置き換えられる、という3つのシナリオである。
  論文  参考訳（メタデータ） (2022-01-06T04:58:31Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• Rethinking Localization Map: Towards Accurate Object Perception with Self-Enhancement Maps [78.2581910688094]
  本研究は, カテゴリーラベルのみを監督として, 正確な対象位置分布マップと対象境界を抽出する, 新たな自己強調手法を提案する。 特に、提案されたセルフエンハンスメントマップは、ILSVRC上で54.88%の最先端のローカライゼーション精度を達成する。
  論文  参考訳（メタデータ） (2020-06-09T12:35:55Z)
• Fine-Grained Visual Classification with Efficient End-to-end Localization [49.9887676289364]
  本稿では,エンド・ツー・エンドの設定において,分類ネットワークと融合可能な効率的なローカライゼーションモジュールを提案する。 我々は,CUB200-2011,Stanford Cars,FGVC-Aircraftの3つのベンチマークデータセット上で,新しいモデルを評価する。
  論文  参考訳（メタデータ） (2020-05-11T14:07:06Z)
• Pairwise Similarity Knowledge Transfer for Weakly Supervised Object Localization [53.99850033746663]
  弱教師付き画像ラベルを持つ対象クラスにおける局所化モデル学習の問題点について検討する。 本研究では,対象関数のみの学習は知識伝達の弱い形態であると主張する。 COCOおよびILSVRC 2013検出データセットの実験では、ペアワイズ類似度関数を含むことにより、ローカライズモデルの性能が大幅に向上することが示された。
  論文  参考訳（メタデータ） (2020-03-18T17:53:33Z)

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。