論文の概要: Direct Superpoints Matching for Robust Point Cloud Registration
- arxiv url: http://arxiv.org/abs/2307.01362v2
- Date: Fri, 29 Sep 2023 17:26:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-02 18:07:33.767516
- Title: Direct Superpoints Matching for Robust Point Cloud Registration
- Title（参考訳）: ロバストポイントクラウド登録のための直接スーパーポイントマッチング
- Authors: Aniket Gupta, Yiming Xie, Hanumant Singh, Huaizu Jiang
- Abstract要約: 本稿では,グローバルなソフトマックス層をエンド・ツー・エンド方式で活用することで,スーパーポイントと直接マッチングする,単純かつ効果的な手法を提案する。
提案手法は,特徴表現学習,スーパーポイントマッチング,変換推定など,さまざまなコンポーネントの協調最適化を可能にする。
- 参考スコア（独自算出の注目度）: 7.984021167919321
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep neural networks endow the downsampled superpoints with highly
discriminative feature representations. Previous dominant point cloud
registration approaches match these feature representations, \eg, using the
Sinkhorn algorithm as the first step. A RANSAC-like method is then usually
adopted as a post-processing refinement to filter the outliers. These
approaches tend to be computationally intensive due to the iterative nature of
RANSAC and require careful parameter tuning to adapt to various practical
applications. In this paper, we emphasize the role of matching strategy in
superpoint feature matching. We propose a straightforward and effective
approach to directly match superpoints by leveraging a global softmax layer in
an end-to-end fashion. These matched superpoints are instrumental in estimating
the SE(3) transformation between the source and target point clouds. Notably,
our approach employs softmax probabilities as weights for each correspondence,
allowing us to reject the outliers and further weigh the rest inliers when
fitting the transformation matrix, which does not need any post-processing
refinement. Moreover, our approach enables joint optimization of different
components, including feature representation learning, superpoints matching,
and transformation estimation, leading to better registration performance.
Experimental results on the standard benchmarks, including ModelNet, 3DMatch,
and KITTI validate the effectiveness of our approach, where we obtain
comparable or even better accuracy than state-of-the-art methods. Our code and
model weights will be publicly available.
- Abstract（参考訳）: ディープニューラルネットワークは、非常に識別的な特徴表現を持つダウンサンプリングされたスーパーポイントを付与する。
以前の支配的ポイントクラウド登録アプローチは、シンクホーンアルゴリズムを第1ステップとして使用して、これらの特徴表現に一致する。
その後、RANSACライクな手法が後処理の改良として採用され、オプティラをフィルタする。
これらの手法は、RANSACの反復的な性質のため計算集約的であり、様々な応用に適応するためには慎重なパラメータチューニングが必要である。
本稿では,スーパーポイント機能マッチングにおけるマッチング戦略の役割を強調する。
我々は,グローバルソフトマックス層をエンドツーエンドで活用することにより,スーパーポイントと直接マッチングするための,単純かつ効果的なアプローチを提案する。
これらの一致したスーパーポイントは、ソースとターゲットポイントの雲の間のSE(3)変換を推定するのに役立つ。
特に,本手法では,各対応の重み付けとしてソフトマックス確率を用い,変換行列を適合させる際に,アウトリーチを拒否し,残りのインリーチを重み付けすることができる。
さらに,特徴表現学習,スーパーポイントマッチング,変換推定など,さまざまなコンポーネントを共同で最適化することで,より優れた登録性能を実現する。
modelnet、3dmatch、kittiを含む標準ベンチマークの実験結果は、最先端のメソッドと同等、あるいはそれ以上の精度が得られるこのアプローチの有効性を検証する。
コードとモデルの重み付けが公開されます。
関連論文リスト
- Inferring Neural Signed Distance Functions by Overfitting on Single Noisy Point Clouds through Finetuning Data-Driven based Priors [53.6277160912059]
本稿では,データ駆動型およびオーバーフィット型手法のプロースを推進し,より一般化し,高速な推論を行い,より高精度なニューラルネットワークSDFを学習する手法を提案する。
そこで本研究では,距離管理やクリーンポイントクラウド,あるいは点正規化を伴わずに,データ駆動型プリエントを微調整できる新しい統計的推論アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-10-25T16:48:44Z) - 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) - PointCLM: A Contrastive Learning-based Framework for Multi-instance
Point Cloud Registration [4.969636478156443]
PointCLMは、ミュートリインスタンスポイントクラウド登録のための対照的な学習ベースのフレームワークである。
提案手法は, 合成データと実データの両方において, 最先端の手法よりも大きなマージンで性能を向上する。
論文 参考訳（メタデータ） (2022-09-01T04:30:05Z) - Learning to Register Unbalanced Point Pairs [10.369750912567714]
最近の3D登録法は,大規模あるいは部分的に重複する点対を効果的に扱うことができる。
非平衡点対に対する新しい3次元登録手法であるUPPNetを提案する。
論文 参考訳（メタデータ） (2022-07-09T08:03:59Z) - REGTR: End-to-end Point Cloud Correspondences with Transformers [79.52112840465558]
我々は、注意機構が明示的な特徴マッチングとRANSACの役割を置き換えることができると推測する。
本稿では,最終文集合を直接予測するエンドツーエンドフレームワークを提案する。
提案手法は3DMatchおよびModelNetベンチマークにおける最先端性能を実現する。
論文 参考訳（メタデータ） (2022-03-28T06:01:00Z) - Geometric Transformer for Fast and Robust Point Cloud Registration [53.10568889775553]
点雲登録のための正確な対応を抽出する問題について検討する。
最近のキーポイントフリー手法は、低オーバーラップシナリオでは難しい繰り返し可能なキーポイントの検出を回避している。
本稿では,ロバストなスーパーポイントマッチングのための幾何学的特徴を学習するための幾何学変換器を提案する。
論文 参考訳（メタデータ） (2022-02-14T13:26:09Z) - Unsupervised Representation Learning for 3D Point Cloud Data [66.92077180228634]
我々は、教師なしのポイントクラウド学習に対して、シンプルで効果的なアプローチを提案する。
特に、原点雲の優れたコントラストバージョンを生成する非常に有用な変換を同定する。
本研究では,3次元オブジェクト分類,形状部分分割,シーン分割の3つの下流タスクについて実験を行った。
論文 参考訳（メタデータ） (2021-10-13T10:52:45Z) - DeepBBS: Deep Best Buddies for Point Cloud Registration [55.12101890792121]
DeepBBSは、トレーニング中のポイント間の最良の相反する距離を考慮に入れた表現を学ぶための新しい方法である。
実験の結果,従来の手法と比較して性能が向上した。
論文 参考訳（メタデータ） (2021-10-06T19:00:07Z) - Point Cloud Registration using Representative Overlapping Points [10.843159482657303]
本稿では,登録のための識別機能を備えた代表オーバーラップポイントを用いた新しいディープラーニングモデル ROPNetを提案する。
具体的には,エンコーダを用いてポイントオーバーラップスコアの予測にグローバルな特徴を抽出するコンテキスト誘導モジュールを提案する。
ノイズと部分重なり合う点雲を用いたModelNet40上での実験により,提案手法が従来の学習手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2021-07-06T12:52:22Z) - Robust Point Cloud Registration Framework Based on Deep Graph Matching [5.865029600972316]
3Dポイントクラウド登録は、コンピュータビジョンとロボティクスにおける基本的な問題です。
点群登録のための深層グラフマッチングに基づく新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2021-03-07T04:20:29Z) - PointHop++: A Lightweight Learning Model on Point Sets for 3D
Classification [55.887502438160304]
ポイントホップ法は、Zhangらによって、教師なし特徴抽出を伴う3Dポイントクラウド分類のために提案された。
1)モデルパラメータ数の観点からモデルの複雑さを減らし,2)クロスエントロピー基準に基づいて自動的に識別特徴を順序付けする。
ModelNet40ベンチマークデータセットで実施した実験により、PointHop++法がディープニューラルネットワーク(DNN)ソリューションと同等に動作し、他の教師なし特徴抽出法を上回る性能を示す。
論文 参考訳（メタデータ） (2020-02-09T04:49:32Z)
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。