論文の概要: A Dynamic Network for Efficient Point Cloud Registration
- arxiv url: http://arxiv.org/abs/2312.02877v1
- Date: Tue, 5 Dec 2023 16:47:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-06 15:11:42.162014
- Title: A Dynamic Network for Efficient Point Cloud Registration
- Title(参考訳): 効率的なポイントクラウド登録のための動的ネットワーク
- Authors: Yang Ai, Xi Yang
- Abstract要約: 我々は,コンピュータビジョンタスクにおけるネットワーク効率向上のために広く利用されている動的アプローチを,ポイントクラウド登録タスクに導入する。
我々は、複数回のポイントクラウドデータに反復的な登録プロセスを用いて、一致するポイントクラスタの領域を特定し、最終的にノイズの多いポイントを除去することができる。
- 参考スコア(独自算出の注目度): 6.254197536395784
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: For the point cloud registration task, a significant challenge arises from
non-overlapping points that consume extensive computational resources while
negatively affecting registration accuracy. In this paper, we introduce a
dynamic approach, widely utilized to improve network efficiency in computer
vision tasks, to the point cloud registration task. We employ an iterative
registration process on point cloud data multiple times to identify regions
where matching points cluster, ultimately enabling us to remove noisy points.
Specifically, we begin with deep global sampling to perform coarse global
registration. Subsequently, we employ the proposed refined node proposal module
to further narrow down the registration region and perform local registration.
Furthermore, we utilize a spatial consistency-based classifier to evaluate the
results of each registration stage. The model terminates once it reaches
sufficient confidence, avoiding unnecessary computations. Extended experiments
demonstrate that our model significantly reduces time consumption compared to
other methods with similar results, achieving a speed improvement of over 41%
on indoor dataset (3DMatch) and 33% on outdoor datasets (KITTI) while
maintaining competitive registration recall requirements.
- Abstract(参考訳): ポイントクラウド登録タスクでは、大きな計算リソースを消費し、登録精度に悪影響を及ぼすような重複しないポイントから大きな課題が発生する。
本稿では,コンピュータビジョンタスクにおけるネットワーク効率向上のために広く利用されている動的アプローチを,ポイントクラウド登録タスクに導入する。
我々は、複数のポイントクラウドデータに反復的な登録プロセスを用いて、一致するポイントクラスタの領域を特定する。
具体的には,大まかなグローバル登録を行うための深いグローバルサンプリングから始める。
その後、提案する改良ノード提案モジュールを用いて、登録領域をさらに狭め、局所的な登録を行う。
さらに,空間整合性に基づく分類器を用いて,各登録段階の結果を評価する。
モデルは十分な信頼度に達すると終了し、不要な計算を避ける。
拡張実験により,室内データセット(3DMatch)では41%以上,屋外データセット(KITTI)では33%以上の速度向上を実現し,競争力のある登録リコール要件を維持した。
関連論文リスト
- Point Cloud Pre-training with Diffusion Models [62.12279263217138]
我々は、ポイントクラウド拡散事前学習(PointDif)と呼ばれる新しい事前学習手法を提案する。
PointDifは、分類、セグメンテーション、検出など、さまざまな下流タスクのために、さまざまな現実世界のデータセット間で大幅に改善されている。
論文 参考訳(メタデータ) (2023-11-25T08:10:05Z) - AutoSynth: Learning to Generate 3D Training Data for Object Point Cloud
Registration [69.21282992341007]
Auto Synthは、ポイントクラウド登録のための3Dトレーニングデータを自動的に生成する。
私たちはポイントクラウド登録ネットワークをもっと小さなサロゲートネットワークに置き換え、4056.43$のスピードアップを実現しました。
TUD-L,LINEMOD,Occluded-LINEMODに関する我々の研究結果は,検索データセットでトレーニングされたニューラルネットワークが,広く使用されているModelNet40データセットでトレーニングされたニューラルネットワークよりも一貫してパフォーマンスが向上していることを示す。
論文 参考訳(メタデータ) (2023-09-20T09:29:44Z) - SphereNet: Learning a Noise-Robust and General Descriptor for Point
Cloud Registration [5.641476052216014]
我々はSphereNetを導入して、ポイントクラウド登録のためのノイズロスと見えない汎用記述子を学習する。
提案手法を評価するために, 強い雑音を有する3DMatch-noiseのベンチマークを新たに導入した。
3DMatchおよび3DLoMatchベンチマークの93.5%と75.6%の登録リコールで、最先端のパフォーマンスを新たに設定した。
論文 参考訳(メタデータ) (2023-07-18T15:37:35Z) - GAFAR: Graph-Attention Feature-Augmentation for Registration A Fast and
Light-weight Point Set Registration Algorithm [12.592563880121816]
点雲の厳格な登録は コンピュータビジョンの根本的な問題です
コンピュータビジョンにおけるディープラーニングは、このトピックの研究に新たな動機をもたらした。
本稿では,アテンション機構を用いた高速で軽量なネットワークアーキテクチャを提案する。
論文 参考訳(メタデータ) (2023-07-05T14:50:36Z) - CloudAttention: Efficient Multi-Scale Attention Scheme For 3D Point
Cloud Learning [81.85951026033787]
この作業にトランスフォーマーをセットし、それらを形状分類と部分およびシーンセグメンテーションのための階層的なフレームワークに組み込む。
また、各イテレーションにおけるサンプリングとグループ化を活用して、効率的でダイナミックなグローバルなクロスアテンションを計算します。
提案した階層モデルは,最先端の形状分類を平均精度で達成し,従来のセグメンテーション法と同等の結果を得る。
論文 参考訳(メタデータ) (2022-07-31T21:39:15Z) - Fast and Robust Registration of Partially Overlapping Point Clouds [5.073765501263891]
部分的に重なる点雲のリアルタイム登録は、自動運転車の協調認識に新たな応用をもたらす。
これらのアプリケーションにおける点雲間の相対的な変換は、従来のSLAMやオドメトリーアプリケーションよりも高い。
本稿では,効率の良い特徴エンコーダを用いて対応を学習する部分重複点群に対する新しい登録法を提案する。
論文 参考訳(メタデータ) (2021-12-18T12:39:05Z) - GenReg: Deep Generative Method for Fast Point Cloud Registration [18.66568286698704]
我々は,クラウド登録をポイントとする深層生成ニューラルネットワークを探索し,新しいデータ駆動型登録アルゴリズムを提案する。
ModelNet40と7Sceneのデータセットを用いた実験により、提案アルゴリズムが最先端の精度と効率を達成することを示した。
論文 参考訳(メタデータ) (2021-11-23T10:52:09Z) - 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) - Consistent Two-Flow Network for Tele-Registration of Point Clouds [74.51029406361997]
任意のポーズで提示される点群間の登録を可能とし,重複がほとんどあるいは全くない学習ベースの手法を提案する。
本手法は,一群の形状の先行を学習し,部分的な形状を完遂できる新しいニューラルネットワーク設計に基づいている。
個別のフローと比較して、この2フローのトレーニングが堅牢で信頼性の高い遠隔登録につながることを示す。
論文 参考訳(メタデータ) (2021-06-01T09:03:21Z) - End-to-End 3D Point Cloud Learning for Registration Task Using Virtual
Correspondences [17.70819292121181]
3Dポイントのクラウド登録は、2つのポイントのクラウド間の厳密な変換を見つけるのが難しいため、依然として非常に難しいトピックである。
本稿では,ポイントクラウド登録問題を解決するために,エンドツーエンドのディープラーニングに基づくアプローチを提案する。
論文 参考訳(メタデータ) (2020-11-30T06:55:05Z) - SoftPoolNet: Shape Descriptor for Point Cloud Completion and
Classification [93.54286830844134]
本稿では,点雲に基づく3次元オブジェクトの補完と分類手法を提案する。
デコーダの段階では,グローバルな活性化エントロピーの最大化を目的とした新しい演算子である地域畳み込みを提案する。
我々は,オブジェクトの完成度や分類,最先端の精度の達成など,異なる3次元タスクに対するアプローチを評価する。
論文 参考訳(メタデータ) (2020-08-17T14:32:35Z)
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。