論文の概要: G3Reg: Pyramid Graph-based Global Registration using Gaussian Ellipsoid
Model
- arxiv url: http://arxiv.org/abs/2308.11573v1
- Date: Tue, 22 Aug 2023 17:23:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-23 13:04:56.326830
- Title: G3Reg: Pyramid Graph-based Global Registration using Gaussian Ellipsoid
Model
- Title(参考訳): G3Reg:ガウス楕円体モデルを用いたピラミッドグラフによるグローバルレジストレーション
- Authors: Zhijian Qiao, Zehuan Yu, Binqian Jiang, Huan Yin, and Shaojie Shen
- Abstract要約: 本研究では,LiDAR点雲の高速かつ堅牢なグローバル登録のための新しいフレームワークであるG3Regを紹介する。
原点雲から平面,クラスタ,線を含む基本的な幾何学的原始体を抽出し,低レベルの意味セグメントを得る。
本稿では,グローバル登録のためのピラミッド適合性グラフに基づく不信検証方式を提案する。
- 参考スコア(独自算出の注目度): 21.189016878269104
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This study introduces a novel framework, G3Reg, for fast and robust global
registration of LiDAR point clouds. In contrast to conventional complex
keypoints and descriptors, we extract fundamental geometric primitives
including planes, clusters, and lines (PCL) from the raw point cloud to obtain
low-level semantic segments. Each segment is formulated as a unified Gaussian
Ellipsoid Model (GEM) by employing a probability ellipsoid to ensure the ground
truth centers are encompassed with a certain degree of probability. Utilizing
these GEMs, we then present a distrust-and-verify scheme based on a Pyramid
Compatibility Graph for Global Registration (PAGOR). Specifically, we establish
an upper bound, which can be traversed based on the confidence level for
compatibility testing to construct the pyramid graph. Gradually, we solve
multiple maximum cliques (MAC) for each level of the graph, generating numerous
transformation candidates. In the verification phase, we adopt a precise and
efficient metric for point cloud alignment quality, founded on geometric
primitives, to identify the optimal candidate. The performance of the algorithm
is extensively validated on three publicly available datasets and a
self-collected multi-session dataset, without changing any parameter settings
in the experimental evaluation. The results exhibit superior robustness and
real-time performance of the G3Reg framework compared to state-of-the-art
methods. Furthermore, we demonstrate the potential for integrating individual
GEM and PAGOR components into other algorithmic frameworks to enhance their
efficacy. To advance further research and promote community understanding, we
have publicly shared the source code.
- Abstract(参考訳): 本研究では,LiDAR点雲の高速かつ堅牢なグローバル登録のための新しいフレームワークであるG3Regを紹介する。
従来の複雑なキーポイントやディスクリプタとは対照的に,原点雲から平面,クラスタ,線(PCL)を含む基本的な幾何学的プリミティブを抽出し,低レベルのセマンティックセグメントを得る。
各セグメントは、基底真理中心をある程度の確率で包含するように、確率楕円体を用いて統一ガウス楕円体モデル(GEM)として定式化される。
これらのGEMを利用することで、グローバル登録のためのピラミッド適合性グラフ(PAGOR)に基づく不信・検証方式を提案する。
具体的には、ピラミッドグラフを構築するための互換性テストの信頼性レベルに基づいて、上界を横断することができる。
グラフの各レベルに対する複数の最大傾き(MAC)を徐々に解き、多数の変換候補を生成する。
検証フェーズでは,幾何学的プリミティブに基づくポイントクラウドアライメント品質の高精度かつ効率的な指標を採用し,最適候補を同定する。
アルゴリズムの性能は、実験評価でパラメータの設定を変更することなく、3つの公開データセットと自己収集されたマルチセッションデータセットで広範囲に検証される。
その結果,G3Regフレームワークの高剛性と実時間性能は最先端の手法と比較して優れていた。
さらに,個々のGEMおよびPAGORコンポーネントを他のアルゴリズムフレームワークに統合して有効性を高める可能性を示す。
さらなる研究を進め、コミュニティの理解を促進するため、ソースコードを公開しました。
関連論文リスト
- Generative and Contrastive Paradigms Are Complementary for Graph
Self-Supervised Learning [56.45977379288308]
Masked Autoencoder (MAE)は、マスク付きグラフエッジやノード機能の再構築を学ぶ。
Contrastive Learning (CL)は、同じグラフの拡張ビュー間の類似性を最大化する。
我々は,MAE と CL を統一するグラフコントラッシブマスク付きオートエンコーダ (GCMAE) フレームワークを提案する。
論文 参考訳(メタデータ) (2023-10-24T05:06:06Z) - Pyramid Semantic Graph-based Global Point Cloud Registration with Low
Overlap [27.362946585463824]
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。
論文 参考訳(メタデータ) (2023-07-22T16:05:23Z) - SHS-Net: Learning Signed Hyper Surfaces for Oriented Normal Estimation
of Point Clouds [54.89855828917265]
我々は,符号付きハイパー曲面の学習による点雲の向きの正規分布推定のためのSHS-Netと呼ばれる新しい手法を提案する。
我々のSHS-Netは、広く使用されているベンチマークにおいて、非オブジェクト指向とオブジェクト指向の正規推定の両方において最先端の手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2023-05-10T03:40:25Z) - Graph Signal Sampling for Inductive One-Bit Matrix Completion: a
Closed-form Solution [112.3443939502313]
グラフ信号解析と処理の利点を享受する統合グラフ信号サンプリングフレームワークを提案する。
キーとなる考え方は、各ユーザのアイテムのレーティングをアイテムイットグラフの頂点上の関数(信号)に変換することである。
オンライン設定では、グラフフーリエ領域における連続ランダムガウス雑音を考慮したベイズ拡張(BGS-IMC)を開発する。
論文 参考訳(メタデータ) (2023-02-08T08:17:43Z) - LSG-CPD: Coherent Point Drift with Local Surface Geometry for Point
Cloud Registration [1.8876415010297891]
剛点雲登録のための局所表面形状法 (LSG-CPD) を用いた CPD と呼ばれる新しい手法を提案する。
本手法は,局所表面の平坦度に基づいて,点対面のペナリゼーションに異なるレベルのペナリゼーションを適応的に付加する。
CPDの現代の実装よりもはるかに高速です。
論文 参考訳(メタデータ) (2021-03-28T03:46:41Z) - Self-supervised Geometric Perception [96.89966337518854]
自己教師付き幾何知覚(self-supervised geometric perception)は、基底幾何モデルラベルなしで対応マッチングのための特徴記述子を学ぶためのフレームワークである。
また,SGPは,地上トラスラベルを用いて訓練した教師付きオークルよりも同等か優れる最先端性能を達成できることを示す。
論文 参考訳(メタデータ) (2021-03-04T15:34:43Z) - Robust Kernel-based Feature Representation for 3D Point Cloud Analysis
via Circular Graph Convolutional Network [2.42919716430661]
本稿では,回転,密度,スケール変動に堅牢な新しい局所特徴記述法を提案する。
局所記述子の表現を改善するために,グローバルアグリゲーション手法を提案する。
本手法は最先端手法と比較して優れた性能を示す。
論文 参考訳(メタデータ) (2020-12-22T18:02:57Z) - DeepGMR: Learning Latent Gaussian Mixture Models for Registration [113.74060941036664]
ポイントクラウドの登録は、3Dコンピュータビジョン、グラフィックス、ロボット工学の基本的な問題である。
本稿では,最初の学習ベース登録法であるDeep Gaussian Mixture Registration(DeepGMR)を紹介する。
提案手法は,最先端の幾何学的および学習的登録手法と比較して,良好な性能を示す。
論文 参考訳(メタデータ) (2020-08-20T17:25:16Z) - Pseudoinverse Graph Convolutional Networks: Fast Filters Tailored for
Large Eigengaps of Dense Graphs and Hypergraphs [0.0]
Graph Convolutional Networks (GCNs) は、グラフベースのデータセットで半教師付き分類を行うツールとして成功している。
本稿では,三部フィルタ空間が高密度グラフを対象とする新しいGCN変種を提案する。
論文 参考訳(メタデータ) (2020-08-03T08:48:41Z) - Heuristic Semi-Supervised Learning for Graph Generation Inspired by
Electoral College [80.67842220664231]
本稿では,新たなノードやエッジを自動的に拡張して,高密度サブグラフ内のラベル類似性を向上する,新しい前処理手法であるElectoral College(ELCO)を提案する。
テストされたすべての設定において、我々の手法はベースモデルの平均スコアを4.7ポイントの広いマージンで引き上げるとともに、常に最先端のモデルよりも優れています。
論文 参考訳(メタデータ) (2020-06-10T14:48:48Z)
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。