論文の概要: Pyramid Semantic Graph-based Global Point Cloud Registration with Low Overlap

• arxiv url: http://arxiv.org/abs/2307.12116v1
• Date: Sat, 22 Jul 2023 16:05:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-25 18:00:17.029642
• Title: Pyramid Semantic Graph-based Global Point Cloud Registration with Low Overlap
• Title（参考訳）: 低オーバーラップを有するピラミッドセマンティックグラフに基づくグローバルポイントクラウド登録
• Authors: Zhijian Qiao, Zehuan Yu, Huan Yin and Shaojie Shen
• Abstract要約: グローバルポイントクラウドの登録は、ループ閉鎖や再ローカライゼーションといった多くのロボティクスタスクにおいて不可欠である。 残念なことに、登録はポイントクラウド間の重複が低いことに悩まされることが多い。 本稿では,重複度が低い点登録問題に対処する頑健な枠組みを提案する。
• 参考スコア（独自算出の注目度）: 27.362946585463824
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Global point cloud registration is essential in many robotics tasks like loop closing and relocalization. Unfortunately, the registration often suffers from the low overlap between point clouds, a frequent occurrence in practical applications due to occlusion and viewpoint change. In this paper, we propose a graph-theoretic framework to address the problem of global point cloud registration with low overlap. To this end, we construct a consistency graph to facilitate robust data association and employ graduated non-convexity (GNC) for reliable pose estimation, following the state-of-the-art (SoTA) methods. Unlike previous approaches, we use semantic cues to scale down the dense point clouds, thus reducing the problem size. Moreover, we address the ambiguity arising from the consistency threshold by constructing a pyramid graph with multi-level consistency thresholds. Then we propose a cascaded gradient ascend method to solve the resulting densest clique problem and obtain multiple pose candidates for every consistency threshold. Finally, fast geometric verification is employed to select the optimal estimation from multiple pose candidates. Our experiments, conducted on a self-collected indoor dataset and the public KITTI dataset, demonstrate that our method achieves the highest success rate despite the low overlap of point clouds and low semantic quality. We have open-sourced our code https://github.com/HKUST-Aerial-Robotics/Pagor for this project.
• Abstract（参考訳）: グローバルポイントクラウドの登録は、ループ閉鎖や再ローカライゼーションといった多くのロボティクスタスクにおいて不可欠である。 残念なことに、この登録は、しばしば点雲間の重複が低く、閉塞や視点の変化による実践的な応用で頻繁に発生する。 本稿では,グローバルポイントクラウド登録の問題に,重複度が低いグラフ理論フレームワークを提案する。 そこで本研究では,堅牢なデータアソシエーションを容易にするための一貫性グラフを構築し,最先端(sota)手法に従って,信頼性の高いポーズ推定のために大学院非凸性(gnc)を採用する。 従来のアプローチとは異なり、我々は意味的な手がかりを使って高密度の点雲をスケールダウンし、問題のサイズを小さくする。 さらに,複数レベル一貫性しきい値を持つピラミッドグラフを構築し,一貫性しきい値から生じる曖昧性に対処する。 そこで我々は,最も高密度な斜め問題の解法としてカスケード勾配上昇法を提案し,一貫性しきい値毎に複数のポーズ候補を求める。 最後に、複数のポーズ候補から最適推定を選択するために高速幾何検証を用いる。 本手法は,自己収集型屋内データセットと公開kittiデータセットを用いて実施した実験により,点雲の重なりや意味的品質の低下にもかかわらず,最も高い成功率が得られることを示す。 私たちはこのプロジェクトのためにhttps://github.com/HKUST-Aerial-Robotics/Pagorをオープンソース化しました。

関連論文リスト

• Multiway Point Cloud Mosaicking with Diffusion and Global Optimization [74.3802812773891]
  マルチウェイポイントクラウドモザイクのための新しいフレームワーク(水曜日)を紹介する。 我々のアプローチの核心は、重複を識別し、注意点を洗練する学習されたペアワイズ登録アルゴリズムODINである。 4つの多種多様な大規模データセットを用いて、我々の手法は、全てのベンチマークにおいて大きなマージンで、最先端のペアとローテーションの登録結果を比較した。
  論文  参考訳（メタデータ） (2024-03-30T17:29:13Z)
• Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
  本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。 提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
  論文  参考訳（メタデータ） (2024-01-12T17:57:07Z)
• Learning Continuous Implicit Field with Local Distance Indicator for Arbitrary-Scale Point Cloud Upsampling [55.05706827963042]
  点雲アップサンプリングは、疎点雲から密度が高く均一に分散した点集合を生成することを目的としている。 従来のメソッドは通常、スパースポイントクラウドをいくつかのローカルパッチ、アップサンプルパッチポイント、すべてのアップサンプルパッチにマージする。 そこで本研究では,点雲のアップサンプリングのために,局所的な先行者によって導かれる符号のない距離場を学習する手法を提案する。
  論文  参考訳（メタデータ） (2023-12-23T01:52:14Z)
• Towards Better Gradient Consistency for Neural Signed Distance Functions via Level Set Alignment [50.892158511845466]
  レベルセットの並列性によって示される場の勾配一貫性が、推論精度に影響を及ぼす重要な要因であることを示す。 そこで本研究では,次数集合の並列性を評価するためのレベルセットアライメント損失を提案する。
  論文  参考訳（メタデータ） (2023-05-19T11:28:05Z)
• Learnable Graph Matching: A Practical Paradigm for Data Association [74.28753343714858]
  これらの問題に対処するための一般的な学習可能なグラフマッチング法を提案する。 提案手法は,複数のMOTデータセット上での最先端性能を実現する。 画像マッチングでは,一般的な屋内データセットであるScanNetで最先端の手法より優れている。
  論文  参考訳（メタデータ） (2023-03-27T17:39:00Z)
• 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)
• Fast and Robust Registration of Partially Overlapping Point Clouds [5.073765501263891]
  部分的に重なる点雲のリアルタイム登録は、自動運転車の協調認識に新たな応用をもたらす。 これらのアプリケーションにおける点雲間の相対的な変換は、従来のSLAMやオドメトリーアプリケーションよりも高い。 本稿では,効率の良い特徴エンコーダを用いて対応を学習する部分重複点群に対する新しい登録法を提案する。
  論文  参考訳（メタデータ） (2021-12-18T12:39:05Z)
• 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)
• Semantic Graph Based Place Recognition for 3D Point Clouds [22.608115489674653]
  本稿では,位置認識のためのセマンティックグラフに基づく新しいアプローチを提案する。 まず、ポイントクラウドシーンのための新しいセマンティックグラフ表現を提案する。 次に、その類似性を計算するために、高速で効果的なグラフ類似性ネットワークを設計する。
  論文  参考訳（メタデータ） (2020-08-26T09:27:26Z)
• DeepCLR: Correspondence-Less Architecture for Deep End-to-End Point Cloud Registration [12.471564670462344]
  この研究は、ディープニューラルネットワークを用いたポイントクラウド登録の問題に対処する。 重なり合うデータ内容を持つ2つの点雲間のアライメントを予測する手法を提案する。 提案手法は,最先端の精度と比較手法の最低実行時間を実現する。
  論文  参考訳（メタデータ） (2020-07-22T08:20:57Z)
• Learning multiview 3D point cloud registration [74.39499501822682]
  本稿では,エンドツーエンドで学習可能なマルチビュー3Dポイントクラウド登録アルゴリズムを提案する。 このアプローチは、エンドツーエンドのトレーニングが可能で、計算コストが小さく、最先端のマージンよりも優れています。
  論文  参考訳（メタデータ） (2020-01-15T03:42:14Z)

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。