論文の概要: PQM: A Point Quality Evaluation Metric for Dense Maps
- arxiv url: http://arxiv.org/abs/2306.03660v1
- Date: Tue, 6 Jun 2023 13:23:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-07 15:25:49.644606
- Title: PQM: A Point Quality Evaluation Metric for Dense Maps
- Title(参考訳): pqm:高密度写像のための点品質評価指標
- Authors: Yash Turkar, Pranay Meshram, Charuvahan Adhivarahan, Karthik Dantu
- Abstract要約: 本研究では,4つのサブメトリックからなる新しい点品質評価尺度(PQM)を提案し,点雲の品質をより包括的に評価する。
完全度サブメトリックは、欠落データの比率を評価し、アーティファクトスコアサブメトリックは、アーティファクトを認識して特徴付け、精度サブメトリックは登録精度を計測し、解像度サブメトリックはポイントクラウド密度を定量化する。
- 参考スコア(独自算出の注目度): 8.749752439260199
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: LiDAR-based mapping/reconstruction are important for various applications,
but evaluating the quality of the dense maps they produce is challenging. The
current methods have limitations, including the inability to capture
completeness, structural information, and local variations in error. In this
paper, we propose a novel point quality evaluation metric (PQM) that consists
of four sub-metrics to provide a more comprehensive evaluation of point cloud
quality. The completeness sub-metric evaluates the proportion of missing data,
the artifact score sub-metric recognizes and characterizes artifacts, the
accuracy sub-metric measures registration accuracy, and the resolution
sub-metric quantifies point cloud density. Through an ablation study using a
prototype dataset, we demonstrate the effectiveness of each of the sub-metrics
and compare them to popular point cloud distance measures. Using three LiDAR
SLAM systems to generate maps, we evaluate their output map quality and
demonstrate the metrics robustness to noise and artifacts. Our implementation
of PQM, datasets and detailed documentation on how to integrate with your
custom dense mapping pipeline can be found at github.com/droneslab/pqm
- Abstract(参考訳): LiDARベースのマッピング/リコンストラクションは、様々なアプリケーションにとって重要であるが、それらが生み出す高密度マップの品質を評価することは困難である。
現在の手法には、完全性、構造情報、エラーの局所的な変動をキャプチャできないといった制限がある。
本稿では,ポイントクラウドの品質をより包括的に評価するための4つのサブメトリックからなる,新しいポイント品質評価指標(pqm)を提案する。
完全度サブメトリックは、欠落データの比率を評価し、アーティファクトスコアサブメトリックは、アーティファクトを認識して特徴付け、精度サブメトリックは登録精度を計測し、解像度サブメトリックはポイントクラウド密度を定量化する。
プロトタイプデータセットを用いたアブレーション研究を通じて,各サブメトリックの有効性を実証し,一般的な点雲距離測定と比較した。
3つのLiDAR SLAMシステムを用いて,その出力マップの品質を評価し,ノイズやアーティファクトに対するロバスト性を示す。
カスタムの高密度マッピングパイプラインとの統合方法に関するPQM、データセット、詳細なドキュメントは、github.com/droneslab/pqmで確認できます。
関連論文リスト
- TanDepth: Leveraging Global DEMs for Metric Monocular Depth Estimation in UAVs [5.6168844664788855]
本研究は,推定時間における相対的推定値から計量深度値を求めるための,実践的なオンラインスケール回復手法であるTanDepthを提案する。
本手法は無人航空機(UAV)の用途に応用され,GDEM(Global Digital Elevation Models)のスパース計測をカメラビューに投影することで活用する。
推定深度マップから接地点を選択して、投影された基準点と相関するクラスシミュレーションフィルタへの適応を示す。
論文 参考訳(メタデータ) (2024-09-08T15:54:43Z) - From Displacements to Distributions: A Machine-Learning Enabled
Framework for Quantifying Uncertainties in Parameters of Computational Models [0.09208007322096533]
本研究は、工学系のモデリングにおける不確実性を定量化するための2つのフレームワークを組み合わせるための新しい拡張を提案する。
データ一貫性反復(DC)フレームワークは、与えられた関心の量(QoI)マップに対するプルバックおよびプッシュフォワード測度の観点からアレタリック不確かさを定量化するための逆問題と解決策を提供する。
Learning Uncertain Quantities (LUQ)フレームワークは、ノイズの多いデータセットを学習されたQoIマップのサンプルに変換する3ステップの機械学習を可能にする正式なプロセスを定義する。
論文 参考訳(メタデータ) (2024-03-04T20:40:50Z) - Simple Baselines for Projection-based Full-reference and No-reference
Point Cloud Quality Assessment [60.2709006613171]
投影型ポイントクラウド品質評価(PCQA)のための簡易ベースラインを提案する。
我々は、全参照(FR)タスクと非参照(NR)PCQAタスクの両方に対して、点雲から共通立方体状の投影プロセスによって得られる多重射影を用いる。
ICIP 2023 PCVQA Challengeに参加して,5トラック中4トラックで首位を獲得した。
論文 参考訳(メタデータ) (2023-10-26T04:42:57Z) - PointPatchMix: Point Cloud Mixing with Patch Scoring [58.58535918705736]
我々は、パッチレベルでポイントクラウドを混合し、混合ポイントクラウドのコンテンツベースターゲットを生成するPointPatchMixを提案する。
パッチスコアリングモジュールは、事前学習した教師モデルから、コンテンツに基づく重要度スコアに基づいて目標を割り当てる。
Point-MAE をベースラインとして,ScanObjectNN では86.3%,ModelNet40 では94.1% の精度で,従来の手法をかなり上回りました。
論文 参考訳(メタデータ) (2023-03-12T14:49:42Z) - TCDM: Transformational Complexity Based Distortion Metric for Perceptual
Point Cloud Quality Assessment [24.936061591860838]
客観的クラウド品質評価(PCQA)研究の目標は、ポイントクラウド品質を一貫した方法で測定するメトリクスを開発することである。
歪んだ点雲を基準に戻す複雑さを計測することで点雲の質を評価する。
提案手法の有効性を,5つのパブリッククラウド品質評価データベース上で行った広範囲な実験を通じて評価した。
論文 参考訳(メタデータ) (2022-10-10T13:20:51Z) - Point Cloud Quality Assessment using 3D Saliency Maps [37.290843791053256]
そこで本研究では,品質予測の容易化を目的として,実効的な完全参照PCQA指標を提案する。
具体的には、まず、点雲の幾何学的特性をよりよく反映する深度情報を導入し、プロジェクションに基づく点雲塩分濃度マップ生成法を提案する。
最後に、最終的な品質スコアを生成するために、サリエンシに基づくプーリング戦略を提案する。
論文 参考訳(メタデータ) (2022-09-30T13:59:09Z) - Unveiling The Mask of Position-Information Pattern Through the Mist of
Image Features [75.62755703738696]
近年の研究では、畳み込みニューラルネットワークにおけるパディングが絶対位置情報を符号化していることが示されている。
位置情報の強度を定量化する既存の指標は信頼性が低いままである。
符号化された位置情報を計測(および可視化)するための新しい指標を提案する。
論文 参考訳(メタデータ) (2022-06-02T17:59:57Z) - OccAM's Laser: Occlusion-based Attribution Maps for 3D Object Detectors
on LiDAR Data [8.486063950768694]
本稿では,LiDAR点雲における3次元物体検出のための属性マップを生成する手法を提案する。
これらのマップは、特定のオブジェクトを予測する上で、各3Dポイントの重要性を示している。
本稿では,属性マップの詳細な評価を行い,それらが解釈可能かつ高情報であることを示す。
論文 参考訳(メタデータ) (2022-04-13T18:00:30Z) - Towards Question-Answering as an Automatic Metric for Evaluating the
Content Quality of a Summary [65.37544133256499]
質問回答(QA)を用いて要約内容の質を評価する指標を提案する。
提案指標であるQAEvalの分析を通じて,QAに基づくメトリクスの実験的メリットを実証する。
論文 参考訳(メタデータ) (2020-10-01T15:33:09Z) - 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) - JHU-CROWD++: Large-Scale Crowd Counting Dataset and A Benchmark Method [92.15895515035795]
我々は、"4,372"イメージと"1.51万"アノテーションを含む、新しい大規模非制約クラウドカウントデータセット(JHU-CROWD++)を導入する。
本稿では, 残差誤差推定により, 群集密度マップを段階的に生成する新しい群集カウントネットワークを提案する。
論文 参考訳(メタデータ) (2020-04-07T14:59:35Z)
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。