論文の概要: Automatic coarse co-registration of point clouds from diverse scan geometries: a test of detectors and descriptors

• arxiv url: http://arxiv.org/abs/2308.14047v1
• Date: Sun, 27 Aug 2023 08:55:22 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-29 17:15:24.531803
• Title: Automatic coarse co-registration of point clouds from diverse scan geometries: a test of detectors and descriptors
• Title（参考訳）: 多様なスキャン測地線からの点雲の自動粗い共登録:検出器とディスクリプタの試験
• Authors: Francesco Pirotti, Alberto Guarnieri, Stefano Chiodini, Carlo Bettanini
• Abstract要約: ポイント雲は、現在では多数のセンサーから収集されており、一部は高い精度と高いコストを持っている。 本研究では、4つの異なるキーポイント検出器と3つの特徴記述子の抽出をテストする。 その結果, NARFはより多くのキーポイントを検知し, より高速に共存できることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Point clouds are collected nowadays from a plethora of sensors, some having higher accuracies and higher costs, some having lower accuracies but also lower costs. Not only there is a large choice for different sensors, but also these can be transported by different platforms, which can provide different scan geometries. In this work we test the extraction of four different keypoint detectors and three feature descriptors. We benchmark performance in terms of calculation time and we assess their performance in terms of accuracy in their ability in coarse automatic co-registration of two clouds that are collected with different sensors, platforms and scan geometries. One, which we define as having the higher accuracy, and thus will be used as reference, was surveyed via a UAV flight with a Riegl MiniVUX-3, the other on a bicycle with a Livox Horizon over a walking path with un-even ground.The novelty in this work consists in comparing several strategies for fast alignment of point clouds from very different surveying geometries, as the drone has a bird's eye view and the bicycle a ground-based view. An added challenge is related to the lower cost of the bicycle sensor ensemble that, together with the rough terrain, reasonably results in lower accuracy of the survey. The main idea is to use range images to capture a simplified version of the geometry of the surveyed area and then find the best features to match keypoints. Results show that NARF features detected more keypoints and resulted in a faster co-registration procedure in this scenariowhereas the accuracy of the co-registration is similar to all the combinations of keypoint detectors and features.
• Abstract（参考訳）: ポイント雲は現在では多数のセンサーから収集されており、一部は高い精度と高いコストを持ち、一部は低い精度を持つがコストも低い。 異なるセンサーには大きな選択肢があるだけでなく、異なるプラットフォームによって輸送することもでき、異なるスキャンジオメトリを提供することができる。 本研究では、4つの異なるキーポイント検出器と3つの特徴記述器の抽出をテストする。 我々は計算時間の観点から性能をベンチマークし、異なるセンサ、プラットフォーム、走査測地で収集された2つの雲の自動登録能力において、それらの性能を精度で評価する。 本研究の目新しさは,鳥の眼球と地上からの視点を持つため,異なる測地線から点雲を高速にアライメントするためのいくつかの戦略を比較したものである。 追加の課題は、荒削りな地形とともに、調査の精度を合理的に低下させる自転車センサアンサンブルの低価格化に関連している。 主なアイデアは、レンジイメージを使用して、測量された領域のジオメトリの簡易バージョンをキャプチャし、キーポイントにマッチする最適な特徴を見つけることである。 結果, narfの特徴により, より多くのキーポイントが検出され, このシナリオにおいてより高速な共登録手順が得られ, 共登録の精度は全てのキーポイント検出器と特徴の組合せと類似していることがわかった。

関連論文リスト

• GraphAlign: Enhancing Accurate Feature Alignment by Graph matching for Multi-Modal 3D Object Detection [7.743525134435137]
  LiDARとカメラは、自律運転における3Dオブジェクト検出のための補完センサーである。 グラフマッチングによる3次元物体検出のためのより正確な特徴アライメント戦略であるGraphAlignを提案する。
  論文  参考訳（メタデータ） (2023-10-12T12:06:31Z)
• GeoTransformer: Fast and Robust Point Cloud Registration with Geometric Transformer [63.85771838683657]
  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法は、繰り返し可能なキーポイントの検出をバイパスすることで大きなポテンシャルを示している。 そこで我々は,Geometric Transformer (Geo Transformer) を略して提案し,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。
  論文  参考訳（メタデータ） (2023-07-25T02:36:04Z)
• Fully Convolutional One-Stage 3D Object Detection on LiDAR Range Images [96.66271207089096]
  FCOS-LiDARは、自律走行シーンのLiDAR点雲のための完全な1段式3Dオブジェクト検出器である。 標準的な2Dコンボリューションを持つRVベースの3D検出器は、最先端のBEVベースの検出器と同等の性能を発揮することを示す。
  論文  参考訳（メタデータ） (2022-05-27T05:42:16Z)
• 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)
• GPCO: An Unsupervised Green Point Cloud Odometry Method [64.86292006892093]
  軽量な点状クラウド・オドメトリー法を提案し, GPCO法と名付けた。 GPCOは、連続点雲スキャンの特徴と一致することによって物体の動きを予測する教師なし学習法である。 GPCOは、モデルサイズが大幅に小さく、トレーニング時間も少ないのに対して、ディープラーニング手法のベンチマークを精度で上回ることが観察された。
  論文  参考訳（メタデータ） (2021-12-08T00:24:03Z)
• DeepI2P: Image-to-Point Cloud Registration via Deep Classification [71.3121124994105]
  DeepI2Pは、イメージとポイントクラウドの間のクロスモダリティ登録のための新しいアプローチです。 本手法は,カメラとライダーの座標フレーム間の相対的剛性変換を推定する。 登録問題を分類および逆カメラ投影最適化問題に変換することで難易度を回避する。
  論文  参考訳（メタデータ） (2021-04-08T04:27:32Z)
• Unified Multi-Modal Landmark Tracking for Tightly Coupled Lidar-Visual-Inertial Odometry [5.131684964386192]
  視覚,ライダー,慣性情報を協調的に最適化するモバイルプラットフォームのための効率的なマルチセンサ・オドメトリーシステムを提案する。 ライダー点雲から3次元線と平面原始体を抽出する新しい手法を提案する。 システムは、脚のあるロボットによる地下探査や、動的に動くハンドヘルドデバイスによる屋外スキャンなど、さまざまなプラットフォームやシナリオでテストされてきた。
  論文  参考訳（メタデータ） (2020-11-13T09:54:03Z)
• Best Buddies Registration for Point Clouds [46.48442376651696]
  ロス関数は、2つの点集合間の互いに近接する隣人の数を数えるBest Buddies similarity(英語版)測度から着想を得ている。 我々はBBR(Best Buddy Registration)と呼ばれるいくつかのアルゴリズムを提示し、各アルゴリズムは、Adam勾配降下による損失関数の1つを最適化する。 合成と実の両方の様々なデータセットの実験は、BBRアルゴリズムの有効性を実証している。
  論文  参考訳（メタデータ） (2020-10-05T10:49:18Z)
• A Benchmark for Point Clouds Registration Algorithms [6.667628085623009]
  ポイントクラウドの登録は多くのポイントクラウド処理パイプラインの基本的なステップである。 ほとんどのアルゴリズムは、アドホックに収集され、研究コミュニティと共有されていないデータでテストされる。 この作業は、著者がアドホックに収集されたデータではなく、公開と共有のベンチマークを使用することを奨励することを目的としている。
  論文  参考訳（メタデータ） (2020-03-28T17:02:26Z)
• Deep Soft Procrustes for Markerless Volumetric Sensor Alignment [81.13055566952221]
  本研究では、より堅牢なマルチセンサ空間アライメントを実現するために、マーカーレスデータ駆動対応推定を改善する。 我々は、幾何学的制約を終末的に典型的なセグメンテーションベースモデルに組み込み、対象のポーズ推定タスクと中間密な分類タスクをブリッジする。 実験により,マーカーベースの手法で同様の結果が得られ,マーカーレス手法よりも優れ,またキャリブレーション構造のポーズ変動にも頑健であることがわかった。
  論文  参考訳（メタデータ） (2020-03-23T10:51:32Z)

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。