論文の概要: Nothing Stands Still: A Spatiotemporal Benchmark on 3D Point Cloud Registration Under Large Geometric and Temporal Change

• arxiv url: http://arxiv.org/abs/2311.09346v1
• Date: Wed, 15 Nov 2023 20:09:29 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-17 17:39:43.193342
• Title: Nothing Stands Still: A Spatiotemporal Benchmark on 3D Point Cloud Registration Under Large Geometric and Temporal Change
• Title（参考訳）: 大規模な幾何学的・時間的変化による3Dポイントクラウド登録の時空間ベンチマーク
• Authors: Tao Sun, Yan Hao, Shengyu Huang, Silvio Savarese, Konrad Schindler, Marc Pollefeys, Iro Armeni
• Abstract要約: 人工空間の3次元幾何学地図の構築は、基本的なコンピュータビジョンとロボット工学である。 Not Stands Still (NSS)ベンチマークは、大きな空間的および時間的変化を行う3Dシーンの時間的登録に焦点を当てている。 NSSの一環として,建設中または改修中の大規模建築屋内環境において,3次元点雲のデータセットを連続的に取得する。
• 参考スコア（独自算出の注目度）: 86.44429778015657
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Building 3D geometric maps of man-made spaces is a well-established and active field that is fundamental to computer vision and robotics. However, considering the evolving nature of built environments, it is essential to question the capabilities of current mapping efforts in handling temporal changes. In addition, spatiotemporal mapping holds significant potential for achieving sustainability and circularity goals. Existing mapping approaches focus on small changes, such as object relocation or self-driving car operation; in all cases where the main structure of the scene remains fixed. Consequently, these approaches fail to address more radical changes in the structure of the built environment, such as geometry and topology. To this end, we introduce the Nothing Stands Still (NSS) benchmark, which focuses on the spatiotemporal registration of 3D scenes undergoing large spatial and temporal change, ultimately creating one coherent spatiotemporal map. Specifically, the benchmark involves registering two or more partial 3D point clouds (fragments) from the same scene but captured from different spatiotemporal views. In addition to the standard pairwise registration, we assess the multi-way registration of multiple fragments that belong to any temporal stage. As part of NSS, we introduce a dataset of 3D point clouds recurrently captured in large-scale building indoor environments that are under construction or renovation. The NSS benchmark presents three scenarios of increasing difficulty, to quantify the generalization ability of point cloud registration methods over space (within one building and across buildings) and time. We conduct extensive evaluations of state-of-the-art methods on NSS. The results demonstrate the necessity for novel methods specifically designed to handle large spatiotemporal changes. The homepage of our benchmark is at http://nothing-stands-still.com.
• Abstract（参考訳）: 人工空間の3次元幾何学マップの構築は、コンピュータビジョンとロボティクスの基盤となる、確立され活発な分野である。 しかし、構築された環境の進化的性質を考えると、時間的変化を扱う上で、現在のマッピングの取り組みの能力に疑問を呈することが不可欠である。 加えて、時空間マッピングは持続可能性と循環目標を達成するための重要な可能性を持っている。 既存のマッピングアプローチでは、オブジェクトの移動や自動運転車の運転など、シーンの主構造が固定されているすべての場合において、小さな変更に焦点を当てている。 その結果、これらのアプローチは、幾何学やトポロジーのような構築された環境の構造のより急進的な変化に対処できない。 そこで我々は,空間的および時間的変化の大きい3次元シーンの時空間的登録に着目したNoth Stands Still (NSS)ベンチマークを導入し,最終的に一括時空間マップを作成する。 具体的には、同じシーンから2つ以上の部分的な3D点雲(フラグメント)を登録するが、異なる時空間ビューから取得する。 標準ペアワイズ登録に加えて,任意の時間ステージに属する複数のフラグメントの多方向登録を評価する。 NSSの一環として,建設中または改修中の大規模建築屋内環境において,3次元点雲のデータセットを連続的に取得する。 NSSベンチマークは難易度を高めるための3つのシナリオを提示し、空間上の点雲登録法の一般化能力を(建物を1棟、建物を1棟ずつ)定量化する。 NSSにおける最先端手法の広範な評価を行う。 その結果,大規模な時空間変化に対処する新しい手法の必要性が示された。 私たちのベンチマークのホームページはhttp://nothing-stands-still.comにあります。

関連論文リスト

• Hierarchical Temporal Context Learning for Camera-based Semantic Scene Completion [57.232688209606515]
  カメラによるセマンティックシーンの補完を改善するための,新たな時間的文脈学習パラダイムであるHTCLを提案する。 提案手法は,Semantic KITTIベンチマークで1st$をランク付けし,mIoUの点でLiDARベースの手法を超えている。
  論文  参考訳（メタデータ） (2024-07-02T09:11:17Z)
• Living Scenes: Multi-object Relocalization and Reconstruction in Changing 3D Environments [20.890476387720483]
  MoREは進化する環境における多目的再局在と再構成のための新しいアプローチである。 これらの環境を「生きたシーン」とみなし、異なる時点のスキャンをオブジェクトインスタンスの3次元再構成に変換する問題について考察する。
  論文  参考訳（メタデータ） (2023-12-14T17:09:57Z)
• 3DInAction: Understanding Human Actions in 3D Point Clouds [31.66883982183386]
  本稿では,3次元クラウド行動認識のための新しい手法を提案する。 提案手法は,ASMビデオを含む既存のデータセットの性能向上を実現する。
  論文  参考訳（メタデータ） (2023-03-11T08:42:54Z)
• SpOT: Spatiotemporal Modeling for 3D Object Tracking [68.12017780034044]
  3Dマルチオブジェクトトラッキングは、常にすべてのモバイル時間を特定することを目的としている。 現在の3Dトラッキング手法は、抽象化された情報と限られた歴史に依存している。 本研究では,空間的情報と時間的情報の両方を活用するシーンの全体的表現を開発する。
  論文  参考訳（メタデータ） (2022-07-12T21:45:49Z)
• Learning Spatial and Temporal Variations for 4D Point Cloud Segmentation [0.39373541926236766]
  フレーム間の時間的情報は3次元シーンの知覚に重要な知識をもたらすと我々は主張する。 本研究では,4次元点雲の時間変動を捉えるために,時間変動対応モジュールと時間変化対応のボクセル点精製器を設計する。
  論文  参考訳（メタデータ） (2022-07-11T07:36:26Z)
• PointAttN: You Only Need Attention for Point Cloud Completion [89.88766317412052]
  ポイント・クラウド・コンプリート(Point cloud completion)とは、部分的な3次元ポイント・クラウドから3次元の形状を完成させることである。 そこで我々は,kNNを除去するために,ポイントクラウドをポイント単位に処理する新しいニューラルネットワークを提案する。 提案するフレームワークであるPointAttNはシンプルで簡潔で効果的であり、3次元形状の構造情報を正確に捉えることができる。
  論文  参考訳（メタデータ） (2022-03-16T09:20:01Z)
• Spatio-Temporal Representation Factorization for Video-based Person Re-Identification [55.01276167336187]
  本稿では、re-IDのための時空間表現分解モジュール(STRF)を提案する。 STRFはフレキシブルな新しい計算ユニットであり、re-IDのための既存のほとんどの3D畳み込みニューラルネットワークアーキテクチャと併用することができる。 実験により、STRFは様々なベースラインアーキテクチャの性能を向上し、新しい最先端の成果を示す。
  論文  参考訳（メタデータ） (2021-07-25T19:29:37Z)
• CaSPR: Learning Canonical Spatiotemporal Point Cloud Representations [72.4716073597902]
  本研究では,動的あるいは動いた物体の標準点クラウド表現を学習する手法を提案する。 本稿では, 形状再構成, カメラポーズ推定, 連続時間列再構成, 対応推定など, 様々な応用における本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2020-08-06T17:58:48Z)
• Unsupervised Learning of Global Registration of Temporal Sequence of Point Clouds [16.019588704177288]
  点雲のグローバルな登録は、2次元または3次元の点集合の配列の最適なアライメントを見つけることを目的としている。 本稿では,現在ある深層学習技術を利用して,点雲の時間的シーケンスからグローバルな登録を教師なし学習する手法を提案する。
  論文  参考訳（メタデータ） (2020-06-17T06:00:36Z)

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。