論文の概要: Cross-source Point Cloud Registration: Challenges, Progress and Prospects

• arxiv url: http://arxiv.org/abs/2305.13570v1
• Date: Tue, 23 May 2023 01:03:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-24 20:00:21.281281
• Title: Cross-source Point Cloud Registration: Challenges, Progress and Prospects
• Title（参考訳）: クロスソースなポイントクラウド登録:挑戦、進歩、展望
• Authors: Xiaoshui Huang, Guofeng Mei, Jian Zhang
• Abstract要約: オープンソースポイントクラウド(CSPC)の登録は、3Dセンサー技術の急速な開発背景から注目を集めている。 CSPCは様々な種類の3Dセンサー(KinectやLiDARなど)から作られています。
• 参考スコア（独自算出の注目度）: 8.636298281155602
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The emerging topic of cross-source point cloud (CSPC) registration has attracted increasing attention with the fast development background of 3D sensor technologies. Different from the conventional same-source point clouds that focus on data from same kind of 3D sensor (e.g., Kinect), CSPCs come from different kinds of 3D sensors (e.g., Kinect and { LiDAR}). CSPC registration generalizes the requirement of data acquisition from same-source to different sources, which leads to generalized applications and combines the advantages of multiple sensors. In this paper, we provide a systematic review on CSPC registration. We first present the characteristics of CSPC, and then summarize the key challenges in this research area, followed by the corresponding research progress consisting of the most recent and representative developments on this topic. Finally, we discuss the important research directions in this vibrant area and explain the role in several application fields.
• Abstract（参考訳）: クロスソースポイントクラウド(CSPC)登録の新たな話題は、3Dセンサー技術の急速な開発背景によって注目を集めている。 同じ種類の3Dセンサー(Kinectなど)のデータにフォーカスする従来の同一ソースの点群とは異なり、CSPCは異なる種類の3Dセンサー(Kinectや { LiDAR}など)から来ている。 CSPC登録は、同一ソースから異なるソースへのデータ取得の要求を一般化し、一般化されたアプリケーションをもたらし、複数のセンサーの利点を組み合わせる。 本稿では,CSPC登録に関する体系的なレビューを行う。 まず, CSPCの特徴を概説し, 研究領域における課題をまとめた上で, 最新の研究成果と代表的研究成果をまとめた研究の進展について述べる。 最後に、この活気ある領域における重要な研究の方向性を説明し、いくつかの応用分野における役割を説明する。

関連論文リスト

• PointDGMamba: Domain Generalization of Point Cloud Classification via Generalized State Space Model [77.00221501105788]
  ドメイン一般化(DG)は、最近、ポイントクラウド分類(PCC)モデルの、目に見えない領域への一般化性を改善するために研究されている。 本稿では、DG PCCにおける状態空間モデル(SSM)の一般化可能性について研究する。 本稿では,未知の領域に対して強い一般化性を持つ新しいフレームワークであるPointDGMambaを提案する。
  論文  参考訳（メタデータ） (2024-08-24T12:53:48Z)
• Optimizing Sparse Convolution on GPUs with CUDA for 3D Point Cloud Processing in Embedded Systems [0.0]
  3次元の点雲は、三次元環境内の物の空間的な描写を提供する。 写真とは対照的に、点雲は空間性を示し、正規の格子を持たないため、異なる処理と計算上の問題を引き起こす。
  論文  参考訳（メタデータ） (2024-02-12T15:23:19Z)
• PointHPS: Cascaded 3D Human Pose and Shape Estimation from Point Clouds [99.60575439926963]
  本稿では,実環境で捉えた点雲から正確な3次元HPSを実現するための基本的フレームワークであるPointHPSを提案する。 PointHPSは、カスケードアーキテクチャを通じてポイント機能を反復的に洗練する。 広範囲な実験により、ポイントHPSは強力な特徴抽出と処理方式を持ち、State-of-the-Art法より優れていることが示された。
  論文  参考訳（メタデータ） (2023-08-28T11:10:14Z)
• UniTR: A Unified and Efficient Multi-Modal Transformer for Bird's-Eye-View Representation [113.35352122662752]
  屋外3次元知覚のためのマルチモーダルバックボーンUniTRを提案する。 UniTRは、統一されたモデリングと共有パラメータで様々なモダリティを処理する。 UniTRは基本的にタスクに依存しないバックボーンであり、異なる3D知覚タスクを自然にサポートする。
  論文  参考訳（メタデータ） (2023-08-15T12:13:44Z)
• A Comprehensive Survey on Applications of Transformers for Deep Learning Tasks [60.38369406877899]
  Transformerは、シーケンシャルデータ内のコンテキスト関係を理解するために自己認識メカニズムを使用するディープニューラルネットワークである。 Transformerモデルは、入力シーケンス要素間の長い依存関係を処理し、並列処理を可能にする。 我々の調査では、トランスフォーマーベースのモデルのためのトップ5のアプリケーションドメインを特定します。
  論文  参考訳（メタデータ） (2023-06-11T23:13:51Z)
• Point Cloud Registration for LiDAR and Photogrammetric Data: a Critical Synthesis and Performance Analysis on Classic and Deep Learning Algorithms [7.874736360019618]
  本稿では,SOTA(State-of-the-art)ポイントクラウド登録手法について概観する。 本研究では,屋内から衛星まで多様な点雲データを用いて,これらの手法を解析・評価する。 古典的な手作り、ディープラーニングに基づく特徴対応、堅牢なC2C手法を含む10以上の手法が試験された。
  論文  参考訳（メタデータ） (2023-02-14T16:52:26Z)
• CXTrack: Improving 3D Point Cloud Tracking with Contextual Information [59.55870742072618]
  3Dオブジェクトトラッキングは、自律運転など、多くのアプリケーションにおいて重要な役割を果たす。 CXTrackは3次元オブジェクト追跡のためのトランスフォーマーベースのネットワークである。 CXTrackは29FPSで動作しながら最先端のトラッキング性能を実現する。
  論文  参考訳（メタデータ） (2022-11-12T11:29:01Z)
• GIPSO: Geometrically Informed Propagation for Online Adaptation in 3D LiDAR Segmentation [60.07812405063708]
  3Dポイントクラウドセマンティックセグメンテーションは、自動運転に基本である。 文学におけるほとんどのアプローチは、動的シーンを扱う際に、ドメインシフトをどのように扱うかという重要な側面を無視している。 本稿では,本研究分野における最先端技術について述べる。
  論文  参考訳（メタデータ） (2022-07-20T09:06:07Z)
• Multi-Modal 3D Object Detection in Autonomous Driving: a Survey [10.913958563906931]
  自動運転車には、堅牢で正確な環境認識を行うための一連のセンサーが備わっている。 センサーの数や種類が増加し続けており、それらを組み合わせることで知覚を向上させることが自然のトレンドになりつつある。 この調査では、複数のセンサデータソースを利用する、最近の核融合に基づく3D検出ディープラーニングモデルについてレビューする。
  論文  参考訳（メタデータ） (2021-06-24T02:52:12Z)
• Learning the Next Best View for 3D Point Clouds via Topological Features [4.447259318741305]
  ノイズの多い3Dセンサの次の最良のビューを導くための強化学習手法を提案する。 測定器は観察された表面の不整合セクションを結合し、穴および凹面セクションのような高密度の特徴に焦点を合わせます。
  論文  参考訳（メタデータ） (2021-03-04T02:19:12Z)

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。