論文の概要: 3D Registration with Maximal Cliques

• arxiv url: http://arxiv.org/abs/2305.10854v1
• Date: Thu, 18 May 2023 10:15:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-19 15:42:49.525304
• Title: 3D Registration with Maximal Cliques
• Title（参考訳）: 最大斜め3次元レジストレーション
• Authors: Xiyu Zhang, Jiaqi Yang, Shikun Zhang and Yanning Zhang
• Abstract要約: 最大傾斜角(MAC)を用いた3次元登録法を提案する。 重要な洞察は、以前の最大斜めの制約を緩めることである。 U3M, 3DMatch, 3DLoMatch, KITTIの実験によりMACは登録精度を効果的に向上することを示した。
• 参考スコア（独自算出の注目度）: 49.41310839477418
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As a fundamental problem in computer vision, 3D point cloud registration (PCR) aims to seek the optimal pose to align a point cloud pair. In this paper, we present a 3D registration method with maximal cliques (MAC). The key insight is to loosen the previous maximum clique constraint, and mine more local consensus information in a graph for accurate pose hypotheses generation: 1) A compatibility graph is constructed to render the affinity relationship between initial correspondences. 2) We search for maximal cliques in the graph, each of which represents a consensus set. We perform node-guided clique selection then, where each node corresponds to the maximal clique with the greatest graph weight. 3) Transformation hypotheses are computed for the selected cliques by the SVD algorithm and the best hypothesis is used to perform registration. Extensive experiments on U3M, 3DMatch, 3DLoMatch and KITTI demonstrate that MAC effectively increases registration accuracy, outperforms various state-of-the-art methods and boosts the performance of deep-learned methods. MAC combined with deep-learned methods achieves state-of-the-art registration recall of 95.7% / 78.9% on 3DMatch / 3DLoMatch.
• Abstract（参考訳）: コンピュータビジョンにおける基本的な問題として、3d point cloud registration (pcr) は、ポイントクラウドペアを調整するための最適なポーズを求めることを目的としている。 本稿では,最大傾斜角(MAC)を用いた3次元登録手法を提案する。 鍵となる洞察は、以前の最大傾きの制約を緩め、より局所的なコンセンサス情報をグラフにマイニングして正確なポーズ仮説を生成することである。 1)初期対応間の親和関係を描画する互換性グラフを構築する。 2) グラフ内の最大クリケを探索し, それぞれがコンセンサス集合を表す。 そこで,各ノードが最大のグラフ重みを持つ最大傾きに対応するノード誘導傾き選択を行う。 3) SVDアルゴリズムにより選択した傾きに対して変換仮説を計算し, 最適な仮説を用いて登録を行う。 U3M, 3DMatch, 3DLoMatch, KITTIの大規模な実験により,MACは登録精度を効果的に向上し, 様々な最先端手法より優れ, 深層学習手法の性能が向上することを示した。 MACとディープラーニングを組み合わせることで、3DMatch / 3DLoMatchで95.7% / 78.9%の最先端の登録リコールを実現する。

関連論文リスト

• FastMAC: Stochastic Spectral Sampling of Correspondence Graph [55.75524096647733]
  本稿では,対応グラフの領域にグラフ信号処理を導入する最初の研究について述べる。 我々は、対応グラフ上の一般化次数信号を利用し、高周波成分を保存するサンプリング戦略を追求する。 アプリケーションとして,FastMACと呼ばれる,リアルタイムな高速な3D登録アルゴリズムを構築した。
  論文  参考訳（メタデータ） (2024-03-13T17:59:56Z)
• CLIPPER+: A Fast Maximal Clique Algorithm for Robust Global Registration [3.448338949969246]
  未重み付きグラフの最大傾きを求めるアルゴリズムであるCLIPPER+を提案する。 標準グラフベンチマークにおけるCLIPPER+の性能と,合成および実世界のクラウド登録問題を評価する。
  論文  参考訳（メタデータ） (2024-02-23T17:50:22Z)
• M3C: A Framework towards Convergent, Flexible, and Unsupervised Learning of Mixture Graph Matching and Clustering [57.947071423091415]
  本稿では,理論収束を保証する学習自由度アルゴリズムであるM3Cを提案する。 我々は、新しいエッジワイド親和性学習と擬似ラベル選択を組み込んだ教師なしモデルUM3Cを開発した。 提案手法は,最先端のグラフマッチングと混合グラフマッチングとクラスタリングの手法を精度と効率の両面で優れている。
  論文  参考訳（メタデータ） (2023-10-27T19:40:34Z)
• SimMatchV2: Semi-Supervised Learning with Graph Consistency [53.31681712576555]
  半教師付き学習アルゴリズムSimMatchV2を導入する。 グラフの観点からラベル付きデータとラベルなしデータの間の様々な一貫性の規則化を定式化する。 SimMatchV2は、複数の半教師付き学習ベンチマークで検証されている。
  論文  参考訳（メタデータ） (2023-08-13T05:56:36Z)
• CheckerPose: Progressive Dense Keypoint Localization for Object Pose Estimation with Graph Neural Network [66.24726878647543]
  単一のRGB画像から固い物体の6-DoFのポーズを推定することは、非常に難しい課題である。 近年の研究では、高密度対応型解の大きな可能性を示している。 そこで本研究では,CheckerPoseというポーズ推定アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-03-29T17:30:53Z)
• Large-scale Point Cloud Registration Based on Graph Matching Optimization [30.92028761652611]
  アンダーライン最適化に基づくアンダーライングラフアンダーラインマッチングを提案する。 提案手法は3DMatch/3DLoMatchベンチマークとKITTIベンチマークで評価されている。
  論文  参考訳（メタデータ） (2023-02-12T03:29:35Z)
• GraphReg: Dynamical Point Cloud Registration with Geometry-aware Graph Signal Processing [0.0]
  本研究では,3次元点雲登録のための高精度,効率的,物理的に誘導された手法を提案する。 我々は、粒子(点)の動きを制御し、より正確で頑健な登録を実現するために、幾何学を意識した剛体力学を探求する。 その結果,提案手法は精度において最先端の手法よりも優れており,大規模点雲の登録に適していることがわかった。
  論文  参考訳（メタデータ） (2023-02-02T14:06:46Z)
• Robust Point Cloud Registration Framework Based on Deep Graph Matching(TPAMI Version) [13.286247750893681]
  3Dポイントクラウドの登録は、コンピュータビジョンとロボティクスの基本的な問題である。 本稿では,ポイントクラウド登録のための新しいディープグラフマッチングベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-09T06:05:25Z)
• 2D or not 2D? Adaptive 3D Convolution Selection for Efficient Video Recognition [84.697097472401]
  Ada3Dは、インスタンス固有の3D利用ポリシーを学び、3Dネットワークで使用するフレームと畳み込み層を決定する条件付き計算フレームワークです。 本手法は,最先端の3dモデルと同様の精度を実現し,異なるデータセット間での計算量を20%-50%削減できることを実証する。
  論文  参考訳（メタデータ） (2020-12-29T21:40:38Z)

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。