論文の概要: HDMNet: A Hierarchical Matching Network with Double Attention for
Large-scale Outdoor LiDAR Point Cloud Registration
- arxiv url: http://arxiv.org/abs/2310.18874v1
- Date: Sun, 29 Oct 2023 02:22:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-31 15:53:20.580512
- Title: HDMNet: A Hierarchical Matching Network with Double Attention for
Large-scale Outdoor LiDAR Point Cloud Registration
- Title（参考訳）: HDMNet: 大規模屋外LiDARポイントクラウド登録のための二重注意付き階層型マッチングネットワーク
- Authors: Weiyi Xue, Fan Lu, Guang Chen
- Abstract要約: 大規模屋外LiDAR点雲登録のために,HDMNetという2重注意を持つ新しい階層型ニューラルネットワークを提案する。
高柔軟性で2段階マッチングを実現するために,特徴整合性強化二重ソフトマッチングネットワークを導入した。
より深い層からのスパースマッチング情報をさらに活用するために,我々は新しいトレーニング可能な埋め込みマスクを開発した。
- 参考スコア（独自算出の注目度）: 5.375831989082574
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Outdoor LiDAR point clouds are typically large-scale and complexly
distributed. To achieve efficient and accurate registration, emphasizing the
similarity among local regions and prioritizing global local-to-local matching
is of utmost importance, subsequent to which accuracy can be enhanced through
cost-effective fine registration. In this paper, a novel hierarchical neural
network with double attention named HDMNet is proposed for large-scale outdoor
LiDAR point cloud registration. Specifically, A novel feature consistency
enhanced double-soft matching network is introduced to achieve two-stage
matching with high flexibility while enlarging the receptive field with high
efficiency in a patch-to patch manner, which significantly improves the
registration performance. Moreover, in order to further utilize the sparse
matching information from deeper layer, we develop a novel trainable embedding
mask to incorporate the confidence scores of correspondences obtained from pose
estimation of deeper layer, eliminating additional computations. The
high-confidence keypoints in the sparser point cloud of the deeper layer
correspond to a high-confidence spatial neighborhood region in shallower layer,
which will receive more attention, while the features of non-key regions will
be masked. Extensive experiments are conducted on two large-scale outdoor LiDAR
point cloud datasets to demonstrate the high accuracy and efficiency of the
proposed HDMNet.
- Abstract（参考訳）: 屋外のLiDAR点雲は通常大規模で複雑に分散している。
地域間の類似性を強調し、グローバルな地域間マッチングを優先することが最重要であり、その後、コスト効率の良い微妙な登録により精度を高めることができる。
本稿では,大規模アウトドアライダーポイントクラウド登録のために,hdmnetという2重注意の階層型ニューラルネットワークを提案する。
具体的には,新しい特徴整合性強化ダブルソフトマッチングネットワークを導入し,パッチ・ツー・パッチ方式でレセプティブフィールドを高い効率で拡大しつつ,高い柔軟性で2段階マッチングを実現し,登録性能を大幅に向上させる。
さらに,より深い層からのスパースマッチング情報をさらに活用するために,より深い層のポーズ推定から得られた対応の信頼度スコアを組み込んだ,新たな学習可能な埋め込みマスクを開発した。
深層におけるスパルサーポイント雲の高信頼キーポイントは、より浅い層内の高信頼空間近傍領域に対応しており、より注目される一方、非キー領域の特徴はマスクされる。
提案するhdmnetの精度と効率を実証するために,2つの大規模屋外ライダーポイントクラウドデータセットを用いた大規模実験を行った。
関連論文リスト
- OCMG-Net: Neural Oriented Normal Refinement for Unstructured Point Clouds [18.234146052486054]
非構造点雲から指向性正規項を推定するための頑健な精錬法を提案する。
我々のフレームワークは、初期指向の正規性を洗練させるために、特徴空間に符号配向とデータ拡張を組み込んでいる。
従来手法に存在した騒音による方向の不整合の問題に対処するため, チャンファー正規距離と呼ばれる新しい指標を導入する。
論文 参考訳（メタデータ） (2024-09-02T09:30:02Z) - DeepPointMap: Advancing LiDAR SLAM with Unified Neural Descriptors [17.664439455504592]
両面において優れた選好を実現する統一アーキテクチャであるDeepPointMapを提案する。
ニューラルネットワークを用いて、点群から非常に代表的でスパースな神経記述子を抽出する。
より挑戦的なマルチエージェント協調SLAMに拡張することで、私たちのフレームワークの汎用性を紹介します。
論文 参考訳（メタデータ） (2023-12-05T11:40:41Z) - RegFormer: An Efficient Projection-Aware Transformer Network for
Large-Scale Point Cloud Registration [73.69415797389195]
本稿では,大規模クラウドアライメントのためのエンドツーエンドトランス (RegFormer) ネットワークを提案する。
具体的には、プロジェクション対応階層変換器を提案し、長距離依存を捕捉し、外乱をフィルタする。
我々の変圧器は線形複雑であり、大規模シーンでも高い効率が保証される。
論文 参考訳（メタデータ） (2023-03-22T08:47:37Z) - Spatial Layout Consistency for 3D Semantic Segmentation [0.7614628596146599]
本稿では,ALTMの点雲のボクセルに基づくセマンティックセマンティックセグメンテーションを実現するための,新しいディープ畳み込みニューラルネットワーク(DCNN)手法を提案する。
提案する深層学習手法であるセマンティック・ユーティリティ・ネットワーク(SUNet)は多次元・多次元ネットワークである。
実験により,SuNetの空間的レイアウトの整合性とマルチレゾリューション機能アグリゲーションにより,性能が大幅に向上することを示した。
論文 参考訳（メタデータ） (2023-03-02T03:24:21Z) - HRegNet: A Hierarchical Network for Large-scale Outdoor LiDAR Point
Cloud Registration [23.689229288387153]
大規模屋外LiDAR点雲登録のための効率的な階層ネットワークHRegNetを提案する。
全体的なフレームワークは、より深い層における信頼性の高い特徴と、より浅い層における正確な位置情報を組み合わせて、堅牢で正確な登録を実現する。
論文 参考訳（メタデータ） (2021-07-26T07:01:36Z) - Learning Semantic Segmentation of Large-Scale Point Clouds with Random
Sampling [52.464516118826765]
我々はRandLA-Netを紹介した。RandLA-Netは、大規模ポイントクラウドのポイントごとの意味を推論する、効率的で軽量なニューラルネットワークアーキテクチャである。
我々のアプローチの鍵は、より複雑な点選択アプローチではなく、ランダムな点サンプリングを使用することである。
我々のRandLA-Netは、既存のアプローチよりも最大200倍高速な1回のパスで100万ポイントを処理できます。
論文 参考訳（メタデータ） (2021-07-06T05:08:34Z) - FatNet: A Feature-attentive Network for 3D Point Cloud Processing [1.502579291513768]
本稿では,グローバルポイントベースの機能とエッジベースの機能を組み合わせた,新たな機能指向ニューラルネットワーク層であるfat layerを提案する。
当社のアーキテクチャは,ModelNet40データセットで示すように,ポイントクラウド分類のタスクにおける最先端の成果を達成する。
論文 参考訳（メタデータ） (2021-04-07T23:13:56Z) - PC-RGNN: Point Cloud Completion and Graph Neural Network for 3D Object
Detection [57.49788100647103]
LiDARベースの3Dオブジェクト検出は、自動運転にとって重要なタスクです。
現在のアプローチでは、遠方および閉ざされた物体の偏りと部分的な点雲に苦しむ。
本稿では,この課題を2つの解決法で解決する新しい二段階アプローチ,pc-rgnnを提案する。
論文 参考訳（メタデータ） (2020-12-18T18:06:43Z) - Pseudo-LiDAR Point Cloud Interpolation Based on 3D Motion Representation
and Spatial Supervision [68.35777836993212]
我々はPseudo-LiDAR点雲ネットワークを提案し、時間的および空間的に高品質な点雲列を生成する。
点雲間のシーンフローを活用することにより,提案ネットワークは3次元空間運動関係のより正確な表現を学習することができる。
論文 参考訳（メタデータ） (2020-06-20T03:11:04Z) - RPM-Net: Robust Point Matching using Learned Features [79.52112840465558]
RPM-Netは、より敏感で、より堅牢なディープラーニングベースのアプローチである。
既存の方法とは異なり、我々のRPM-Netは、部分的な可視性を備えた対応や点雲の欠如を処理します。
論文 参考訳（メタデータ） (2020-03-30T13:45:27Z) - Resolution Adaptive Networks for Efficient Inference [53.04907454606711]
本稿では,低分解能表現が「容易」な入力を分類するのに十分である,という直感に触発された新しいレゾリューション適応ネットワーク(RANet)を提案する。
RANetでは、入力画像はまず、低解像度表現を効率的に抽出する軽量サブネットワークにルーティングされる。
ネットワーク内の高解像度パスは、"ハード"サンプルを認識する能力を維持している。
論文 参考訳（メタデータ） (2020-03-16T16:54:36Z)
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。