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
- MEDPNet: Achieving High-Precision Adaptive Registration for Complex Die Castings [10.504847830252254]
本稿では,Multiscale Efficient Deep Closest Point (MEDPNet) と呼ばれる高精度適応型登録手法を提案する。
MEDPNet法は、効率的なDCP法を用いて粗大なダイカストポイントクラウドデータ登録を行い、次いでMDR法を用いて精度の高い登録を行う。
提案手法は, 複雑なダイカスト点クラウドデータに適用した場合の, 最先端の幾何学的および学習的登録法と比較して, 優れた性能を示す。
論文 参考訳（メタデータ） (2024-03-15T03:42:38Z) - 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) - Overlap-guided Gaussian Mixture Models for Point Cloud Registration [61.250516170418784]
確率的3Dポイントクラウド登録法は、ノイズ、アウトレーヤ、密度変動を克服する競合性能を示した。
本稿では,一致したガウス混合モデル(GMM)パラメータから最適変換を演算する,重複誘導確率登録手法を提案する。
論文 参考訳（メタデータ） (2022-10-17T08:02:33Z) - 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) - Learning to Register Unbalanced Point Pairs [10.369750912567714]
最近の3D登録法は,大規模あるいは部分的に重複する点対を効果的に扱うことができる。
非平衡点対に対する新しい3次元登録手法であるUPPNetを提案する。
論文 参考訳（メタデータ） (2022-07-09T08:03:59Z) - Learning Dense Features for Point Cloud Registration Using Graph
Attention Network [0.0]
本稿では,ポイントクラウドマッチングと登録のためのグラフアテンションネットワークを用いて,高密度特徴を効率的かつ経済的に抽出するフレームワークを提案する。
DFGATの検出器は、大規模な生データセットにおいて、信頼性の高いキーポイントを見つける責任がある。
グラフアテンションネットワークは、ポイントクラウド間の関係を強化するアテンションメカニズムを使用している。
論文 参考訳（メタデータ） (2022-06-14T10:28:57Z) - 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) - 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) - Revisiting Point Cloud Simplification: A Learnable Feature Preserving
Approach [57.67932970472768]
MeshとPoint Cloudの単純化手法は、3Dモデルの複雑さを低減しつつ、視覚的品質と関連する健全な機能を維持することを目的としている。
そこで本研究では,正解点の標本化を学習し,高速点雲の簡易化手法を提案する。
提案手法は、入力空間から任意のユーザ定義の点数を選択し、視覚的知覚誤差を最小限に抑えるために、その位置を再配置するよう訓練されたグラフニューラルネットワークアーキテクチャに依存する。
論文 参考訳（メタデータ） (2021-09-30T10:23:55Z) - 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) - 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)
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。