論文の概要: Deep Semantic Graph Matching for Large-scale Outdoor Point Clouds Registration

• arxiv url: http://arxiv.org/abs/2308.05314v1
• Date: Thu, 10 Aug 2023 03:07:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-11 13:47:03.053848
• Title: Deep Semantic Graph Matching for Large-scale Outdoor Point Clouds Registration
• Title（参考訳）: 大規模屋外点群登録のための深部意味グラフマッチング
• Authors: Shaocong Liu, Tao Wang, Yan Zhang, Ruqin Zhou, Li Li, Chenguang Dai, Yongsheng Zhang, Hanyun Wang
• Abstract要約: 大規模屋外クラウド登録のための深層セマンティックグラフマッチング法を提案する。 大規模ポイントクラウドセマンティックセグメンテーションネットワークを利用して、3次元ポイントクラウドの意味圏ラベルを得る。 セマンティック・アジャケーシ・グラフはセマンティック・インスタンスの空間的アジャケーシ・リレーションに基づいて構築される。
• 参考スコア（独自算出の注目度）: 11.982816727982186
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The current point cloud registration methods are mainly based on geometric information and usually ignore the semantic information in the point clouds. In this paper, we treat the point cloud registration problem as semantic instance matching and registration task, and propose a deep semantic graph matching method for large-scale outdoor point cloud registration. Firstly, the semantic category labels of 3D point clouds are obtained by utilizing large-scale point cloud semantic segmentation network. The adjacent points with the same category labels are then clustered together by using Euclidean clustering algorithm to obtain the semantic instances. Secondly, the semantic adjacency graph is constructed based on the spatial adjacency relation of semantic instances. Three kinds of high-dimensional features including geometric shape features, semantic categorical features and spatial distribution features are learned through graph convolutional network, and enhanced based on attention mechanism. Thirdly, the semantic instance matching problem is modeled as an optimal transport problem, and solved through an optimal matching layer. Finally, according to the matched semantic instances, the geometric transformation matrix between two point clouds is first obtained by SVD algorithm and then refined by ICP algorithm. The experiments are cconducted on the KITTI Odometry dataset, and the average relative translation error and average relative rotation error of the proposed method are 6.6cm and 0.229{\deg} respectively.
• Abstract（参考訳）: 現在の点雲登録法は主に幾何学的情報に基づいており、通常は点雲の意味情報を無視する。 本稿では,ポイントクラウド登録問題を意味インスタンスマッチングおよび登録タスクとして扱い,大規模アウトドアポイントクラウド登録のための深い意味グラフマッチング手法を提案する。 まず、大規模ポイントクラウドセマンティックセグメンテーションネットワークを用いて、3次元ポイントクラウドの意味圏ラベルを得る。 次に、同じカテゴリラベルを持つ隣接点をユークリッドクラスタリングアルゴリズムを用いてクラスタリングし、セマンティックインスタンスを得る。 次に、セマンティックなインスタンスの空間的隣接関係に基づいてセマンティックな隣接グラフを構築する。 幾何学的形状特徴,意味カテゴリー特徴,空間分布特徴を含む3種類の高次元特徴を,グラフ畳み込みネットワークを通じて学習し,注意機構に基づいて拡張する。 第三に、セマンティックインスタンスマッチング問題は最適な輸送問題としてモデル化され、最適なマッチング層によって解決される。 最後に、マッチングされたセマンティック・インスタンスにより、2点雲間の幾何変換行列は、まずSVDアルゴリズムにより取得され、次にICPアルゴリズムによって洗練される。 実験はKITTI Odometryデータセット上で実施され,提案手法の平均相対翻訳誤差と平均相対回転誤差はそれぞれ 6.6cm と 0.229{\deg} である。

関連論文リスト

• Open-Vocabulary Octree-Graph for 3D Scene Understanding [54.11828083068082]
  Octree-Graphはオープンな3Dシーン理解のための新しいシーン表現である。 セマンティクスを記憶し、その形状に応じてオブジェクトの占有度を調節するアダプティブ・オクツリー構造を開発する。
  論文  参考訳（メタデータ） (2024-11-25T10:14:10Z)
• LISNeRF Mapping: LiDAR-based Implicit Mapping via Semantic Neural Fields for Large-Scale 3D Scenes [2.822816116516042]
  大規模セマンティックマッピングは、屋外の自律エージェントが計画やナビゲーションといった高度なタスクを遂行するために不可欠である。 本稿では,提案するLiDAR測度のみでの暗黙的表現による大規模3次元意味再構築手法を提案する。
  論文  参考訳（メタデータ） (2023-11-04T03:55:38Z)
• Clustering based Point Cloud Representation Learning for 3D Analysis [80.88995099442374]
  本稿では,ポイントクラウド分析のためのクラスタリングに基づく教師付き学習手法を提案する。 現在のデファクトでシーンワイドなトレーニングパラダイムとは異なり、我々のアルゴリズムは点埋め込み空間上でクラス内のクラスタリングを行う。 我々のアルゴリズムは、有名なポイントクラウドセグメンテーションデータセットの顕著な改善を示している。
  論文  参考訳（メタデータ） (2023-07-27T03:42:12Z)
• GFNet: Geometric Flow Network for 3D Point Cloud Semantic Segmentation [91.15865862160088]
  本稿では,異なるビュー間の幾何対応性を検討するための幾何フローネットワーク (GFNet) を提案する。 具体的には、異なる視点にまたがって補完情報を双方向に整列し、伝播する新しい幾何フローモジュール(GFM)を考案する。
  論文  参考訳（メタデータ） (2022-07-06T11:48:08Z)
• SemAffiNet: Semantic-Affine Transformation for Point Cloud Segmentation [94.11915008006483]
  ポイントクラウドセマンティックセグメンテーションのためのSemAffiNetを提案する。 我々はScanNetV2とNYUv2データセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2022-05-26T17:00:23Z)
• Semantic Segmentation for Point Cloud Scenes via Dilated Graph Feature Aggregation and Pyramid Decoders [15.860648472852597]
  拡張グラフ特徴集合(DGFA)をルーツとするグラフ畳み込みネットワークDGFA-Netを提案する。 S3DIS、ShapeNetPart、Tronto-3Dの実験は、DGFA-Netがベースラインアプローチよりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-04-11T08:41:01Z)
• Box2Seg: Learning Semantics of 3D Point Clouds with Box-Level Supervision [65.19589997822155]
  我々は3Dポイントクラウドのポイントレベルのセマンティクスをバウンディングボックスレベルの監視で学習するために,Box2Segと呼ばれるニューラルアーキテクチャを導入する。 提案するネットワークは,安価な,あるいは既定のバウンディングボックスレベルのアノテーションやサブクラウドレベルのタグでトレーニング可能であることを示す。
  論文  参考訳（メタデータ） (2022-01-09T09:07:48Z)
• GP-S3Net: Graph-based Panoptic Sparse Semantic Segmentation Network [1.9949920338542213]
  GP-S3Netは提案なしのアプローチであり、オブジェクトを識別するためにオブジェクトの提案は必要ない。 私たちの新しいデザインは、セマンティックな結果を処理する新しいインスタンスレベルのネットワークで構成されています。 GP-S3Netは現在の最先端のアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2021-08-18T21:49:58Z)
• Primal-Dual Mesh Convolutional Neural Networks [62.165239866312334]
  本稿では,グラフ・ニューラル・ネットワークの文献からトライアングル・メッシュへ引き起こされた原始双対のフレームワークを提案する。 提案手法は,3次元メッシュのエッジと顔の両方を入力として特徴付け,動的に集約する。 メッシュ単純化の文献から得られたツールを用いて、我々のアプローチに関する理論的知見を提供する。
  論文  参考訳（メタデータ） (2020-10-23T14:49:02Z)
• Self-Prediction for Joint Instance and Semantic Segmentation of Point Clouds [41.75579185647845]
  我々は,3次元のインスタンスと点雲のセマンティックセグメンテーションのための新たな学習手法であるSelf-Predictionを開発した。 本手法は,S3DISとShapeNetのインスタンスセグメンテーション結果と,S3DISとShapeNetのセグメンテーション結果に匹敵するセグメンテーション結果を得る。
  論文  参考訳（メタデータ） (2020-07-27T07:58:00Z)

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。