論文の概要: FF-LOGO: Cross-Modality Point Cloud Registration with Feature Filtering and Local to Global Optimization

• arxiv url: http://arxiv.org/abs/2309.08966v1
• Date: Sat, 16 Sep 2023 11:42:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-19 18:13:44.398068
• Title: FF-LOGO: Cross-Modality Point Cloud Registration with Feature Filtering and Local to Global Optimization
• Title（参考訳）: FF-LOGO: 機能フィルタリングとグローバル最適化によるクロスモーダルポイントクラウド登録
• Authors: Nan Ma, Mohan Wang, Yiheng Han, Yong-Jin Liu
• Abstract要約: 本稿では,特徴フィルタリングと局所的最適化を併用したクロスモダリティポイントクラウド登録フレームワークを提案する。 提案手法は,3DCSRデータセットにおける現在の最先端手法と比較して,大幅なリコール率の向上を実現している。
• 参考スコア（独自算出の注目度）: 30.08490129087518
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cross-modality point cloud registration is confronted with significant challenges due to inherent differences in modalities between different sensors. We propose a cross-modality point cloud registration framework FF-LOGO: a cross-modality point cloud registration method with feature filtering and local-global optimization. The cross-modality feature correlation filtering module extracts geometric transformation-invariant features from cross-modality point clouds and achieves point selection by feature matching. We also introduce a cross-modality optimization process, including a local adaptive key region aggregation module and a global modality consistency fusion optimization module. Experimental results demonstrate that our two-stage optimization significantly improves the registration accuracy of the feature association and selection module. Our method achieves a substantial increase in recall rate compared to the current state-of-the-art methods on the 3DCSR dataset, improving from 40.59% to 75.74%. Our code will be available at https://github.com/wangmohan17/FFLOGO.
• Abstract（参考訳）: クロスモダリティポイントクラウド登録は、異なるセンサー間のモダリティに固有の違いがあるため、重大な課題に直面している。 本稿では,機能フィルタリングと局所グローバル最適化を備えたクロスモダリティポイントクラウド登録手法FF-LOGOを提案する。 クロスモダリティ特徴相関フィルタモジュールは、クロスモダリティ点雲から幾何学変換不変特徴を抽出し、特徴マッチングによる点選択を実現する。 また、局所適応鍵領域集約モジュールと大域的モダリティ整合融合最適化モジュールを含む、モダリティ間の最適化プロセスも導入する。 実験の結果,2段階最適化により,機能関連モジュールと選択モジュールの登録精度が大幅に向上した。 提案手法は, 3DCSR データセットにおける現在の最先端手法と比較して, 大幅なリコール率の向上を実現し, 40.59% から 75.74% に改善した。 私たちのコードはhttps://github.com/wangmohan17/FFLOGOで公開されます。

関連論文リスト

• MAGIC++: Efficient and Resilient Modality-Agnostic Semantic Segmentation via Hierarchical Modality Selection [20.584588303521496]
  本稿では,効率的なマルチモーダル融合と階層的モダリティ選択のための2つの重要なプラグアンドプレイモジュールからなるMAGIC++フレームワークを紹介する。 本手法は実世界のベンチマークと合成ベンチマークの両方で最先端の性能を実現する。 本手法は, 先行技術よりも大きなマージンで優れる新奇なモダリティ非依存環境において, 優れた手法である。
  論文  参考訳（メタデータ） (2024-12-22T06:12:03Z)
• SaliencyI2PLoc: saliency-guided image-point cloud localization using contrastive learning [17.29563451509921]
  SaliencyI2PLocは、Saliencyマップを機能集約に融合させる、対照的な学習アーキテクチャである。 本手法は,都市シナリオ評価データセット上で78.92%のRecall@1と97.59%のRecall@20を実現する。
  論文  参考訳（メタデータ） (2024-12-20T05:20:10Z)
• BiEquiFormer: Bi-Equivariant Representations for Global Point Cloud Registration [28.75341781515012]
  本研究の目的は,グローバルポイントクラウド登録(PCR)の問題,すなわち,ポイントクラウド間の最適なアライメントを見つけることにある。 本研究では,現在最先端のディープラーニング手法が,任意の点の雲を空間に配置した場合に,大きな性能劣化に悩まされていることを示す。
  論文  参考訳（メタデータ） (2024-07-11T17:58:10Z)
• 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)
• High-Performance Transformer Tracking [74.07751002861802]
  本稿では,シームズ様特徴抽出バックボーンをベースとしたTransformer Tracking(TransT)手法,設計した注意に基づく融合機構,分類と回帰ヘッドを提案する。 実験の結果,TransT法とTransT-M法は7つの一般的なデータセットに対して有望な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2022-03-25T09:33:29Z)
• Real-Time Scene Text Detection with Differentiable Binarization and Adaptive Scale Fusion [62.269219152425556]
  セグメンテーションに基づくシーンテキスト検出手法はシーンテキスト検出分野において大きな注目を集めている。 本稿では,二項化処理をセグメンテーションネットワークに統合する分散二項化(DB)モジュールを提案する。 アダプティブ・スケール・フュージョン (ASF) モジュールは, 異なるスケールの特徴を適応的に融合させることにより, スケールのロバスト性を向上させる。
  論文  参考訳（メタデータ） (2022-02-21T15:30:14Z)
• DeMFI: Deep Joint Deblurring and Multi-Frame Interpolation with Flow-Guided Attentive Correlation and Recursive Boosting [50.17500790309477]
  DeMFI-Netは、共同でデブロアリングとマルチフレームのフレームワークである。 低フレームレートのぼやけたビデオを高フレームレートでシャープなビデオに変換する。 多様なデータセットに対して、最先端(SOTA)のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2021-11-19T00:00:15Z)
• Transformer Tracking [76.96796612225295]
  相関は追跡分野において、特に人気のあるシャム系トラッカーにおいて重要な役割を果たす。 本研究は,注意のみを用いてテンプレートと検索領域を効果的に結合した,新しい注意型特徴融合ネットワークを提案する。 実験により、TransTは6つの挑戦的なデータセットで非常に有望な結果が得られます。
  論文  参考訳（メタデータ） (2021-03-29T09:06:55Z)
• RGB-D Salient Object Detection with Cross-Modality Modulation and Selection [126.4462739820643]
  本稿では, RGB-D Salient Object Detection (SOD) において, モジュール間相補性を段階的に統合し, 改良する有効な方法を提案する。 提案するネットワークは,1)RGB画像とそれに対応する深度マップからの補完情報を効果的に統合する方法,および2)より精度の高い特徴を適応的に選択する方法の2つの課題を主に解決する。
  論文  参考訳（メタデータ） (2020-07-14T14:22:50Z)

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。