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
- Generalized Correspondence Matching via Flexible Hierarchical Refinement
and Patch Descriptor Distillation [13.802788788420175]
対応マッチングは多くのロボティクス応用において重要な役割を担っている。
本稿では,SoTA (State-of-the-art) のプラグ・アンド・プレイ対応手法であるDFM (Deep Feature Match) の限界に対処する。
提案手法は,それぞれ1,3,5画素に対する平均マッチング精度0.68,0.92,0.95の総合的な性能を実現する。
論文 参考訳(メタデータ) (2024-03-08T15:32:18Z) - BO-ICP: Initialization of Iterative Closest Point Based on Bayesian
Optimization [3.248584983235657]
臨界初期ICP変換を求めるため,ベイズ最適化に基づく新しい手法を提案する。
同様の計算時間を与えられた場合,本手法は最先端の手法よりも優れていることを示す。
ICPの他の改良と互換性があり、初期変換の選択のみに焦点を当てている。
論文 参考訳(メタデータ) (2023-04-25T19:38:53Z) - 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) - CloudAttention: Efficient Multi-Scale Attention Scheme For 3D Point
Cloud Learning [81.85951026033787]
この作業にトランスフォーマーをセットし、それらを形状分類と部分およびシーンセグメンテーションのための階層的なフレームワークに組み込む。
また、各イテレーションにおけるサンプリングとグループ化を活用して、効率的でダイナミックなグローバルなクロスアテンションを計算します。
提案した階層モデルは,最先端の形状分類を平均精度で達成し,従来のセグメンテーション法と同等の結果を得る。
論文 参考訳(メタデータ) (2022-07-31T21:39:15Z) - PointInst3D: Segmenting 3D Instances by Points [136.7261709896713]
本稿では,ポイント単位の予測方式で機能する,完全畳み込み型3Dポイントクラウドインスタンスセグメンテーション手法を提案する。
その成功の鍵は、各サンプルポイントに適切なターゲットを割り当てることにある。
提案手法はScanNetとS3DISのベンチマークで有望な結果が得られる。
論文 参考訳(メタデータ) (2022-04-25T02:41:46Z) - 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) - Dynamic Convolution for 3D Point Cloud Instance Segmentation [146.7971476424351]
動的畳み込みに基づく3次元点雲からのインスタンスセグメンテーション手法を提案する。
我々は、同じ意味圏と閉投票を持つ等質点を幾何学的遠近点に対して収集する。
提案手法は提案不要であり、代わりに各インスタンスの空間的および意味的特性に適応する畳み込みプロセスを利用する。
論文 参考訳(メタデータ) (2021-07-18T09:05:16Z) - 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) - DyCo3D: Robust Instance Segmentation of 3D Point Clouds through Dynamic
Convolution [136.7261709896713]
本稿では,インスタンスの性質に応じて適切な畳み込みカーネルを生成するデータ駆動型アプローチを提案する。
提案手法はScanetNetV2とS3DISの両方で有望な結果が得られる。
また、現在の最先端よりも推論速度を25%以上向上させる。
論文 参考訳(メタデータ) (2020-11-26T14:56:57Z) - Deep Shells: Unsupervised Shape Correspondence with Optimal Transport [52.646396621449]
本稿では,3次元形状対応のための教師なし学習手法を提案する。
提案手法は,複数のデータセット上での最先端技術よりも大幅に改善されていることを示す。
論文 参考訳(メタデータ) (2020-10-28T22:24:07Z)
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。