Fugu-MT 論文翻訳(概要): Extend Your Own Correspondences: Unsupervised Distant Point Cloud Registration by Progressive Distance Extension

論文の概要: Extend Your Own Correspondences: Unsupervised Distant Point Cloud Registration by Progressive Distance Extension

arxiv url: http://arxiv.org/abs/2403.03532v2
Date: Wed, 27 Mar 2024 05:28:55 GMT
ステータス: 処理完了
システム内更新日: 2024-03-28 21:54:06.772202
Title: Extend Your Own Correspondences: Unsupervised Distant Point Cloud Registration by Progressive Distance Extension
Title（参考訳）: 独自の対応を拡張する: プログレッシブ距離拡張による教師なし遠隔地クラウド登録
Authors: Quan Liu, Hongzi Zhu, Zhenxi Wang, Yunsong Zhou, Shan Chang, Minyi Guo,
Abstract要約: 本研究では, 遠隔地における雲の分布に適応する遠隔地クラウド登録手法であるEYOCを提案する。実験により、EYOCは、最先端の教師付き手法と同等の性能を、より低いトレーニングコストで達成できることが示されている。
参考スコア（独自算出の注目度）: 23.68210065172886
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Registration of point clouds collected from a pair of distant vehicles provides a comprehensive and accurate 3D view of the driving scenario, which is vital for driving safety related applications, yet existing literature suffers from the expensive pose label acquisition and the deficiency to generalize to new data distributions. In this paper, we propose EYOC, an unsupervised distant point cloud registration method that adapts to new point cloud distributions on the fly, requiring no global pose labels. The core idea of EYOC is to train a feature extractor in a progressive fashion, where in each round, the feature extractor, trained with near point cloud pairs, can label slightly farther point cloud pairs, enabling self-supervision on such far point cloud pairs. This process continues until the derived extractor can be used to register distant point clouds. Particularly, to enable high-fidelity correspondence label generation, we devise an effective spatial filtering scheme to select the most representative correspondences to register a point cloud pair, and then utilize the aligned point clouds to discover more correct correspondences. Experiments show that EYOC can achieve comparable performance with state-of-the-art supervised methods at a lower training cost. Moreover, it outwits supervised methods regarding generalization performance on new data distributions.
Abstract（参考訳）: 一対の遠距離車両から収集された点雲の登録は、運転シナリオの総合的かつ正確な3次元ビューを提供する。これは安全関連アプリケーションの運転に不可欠であるが、既存の文献は、新しいデータ分布に一般化するための高価なポーズラベルの取得と不足に悩まされている。本稿では,地球規模のポーズラベルを必要とせず,新たな点雲分布に適応する遠隔地クラウド登録手法であるEYOCを提案する。 EYOCの中核となる考え方は、プログレッシブな方法で機能抽出器をトレーニングすることであり、各ラウンドにおいて、近点のクラウドペアでトレーニングされた機能抽出器は、少し離れた点のクラウドペアにラベルを付けることができ、そのような遠点のクラウドペアの自己監督を可能にする。この過程は、抽出された抽出器が遠点の雲を登録するまで続く。特に、高忠実度対応ラベル生成を可能にするために、最も代表的な対応を選択して点雲ペアを登録し、整列した点雲を用いてより正確な対応を見つけるための効果的な空間フィルタリング手法を考案する。実験により、EYOCは、最先端の教師付き手法と同等の性能を、より低いトレーニングコストで達成できることが示されている。さらに,新たなデータ分布の一般化性能について,教師付き手法を駆使した。

関連論文リスト

ESP-Zero: Unsupervised enhancement of zero-shot classification for Extremely Sparse Point cloud [7.066196862701362]
極端に疎い点群に対する点群エンコーダを強化するための教師なしモデル適応手法を提案する。本稿では,学習可能なトークンとアテンションブロックを追加して,事前学習した自己注意層を拡張する,新しいファセットクロスアテンション層を提案する。また,無関係なテキスト埋め込みから,修正された特徴を引き離すための補完的な学習ベースの自己蒸留スキーマを提案する。
論文参考訳（メタデータ） (2024-04-30T15:42:45Z)
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)
APR: Online Distant Point Cloud Registration Through Aggregated Point Cloud Reconstruction [22.312548725799193]
本稿では,オンライン遠隔地クラウド登録のための新しい特徴抽出フレームワークであるAPRを提案する。 APRはオートエンコーダの設計を活用し、オートエンコーダは元の単一入力点クラウドの代わりに複数のフレームでより密集した点雲を再構成する。我々の設計では、エンコーダは1つの入力ポイントクラウドに基づいて、リッチな局所幾何学情報を持つ特徴を抽出せざるを得ない。
論文参考訳（メタデータ） (2023-05-04T15:01:56Z)
RDMNet: Reliable Dense Matching Based Point Cloud Registration for Autonomous Driving [15.26754768427011]
本稿では, RDMNet という新しいネットワークを提案する。提案手法は, 高い一般化能力を有する全試験データセットにおいて, 既存の最先端手法よりも優れた性能を示す。
論文参考訳（メタデータ） (2023-03-31T14:22:32Z)
GP-PCS: One-shot Feature-Preserving Point Cloud Simplification with Gaussian Processes on Riemannian Manifolds [2.8811433060309763]
本稿では,新しいワンショットポイントクラウド単純化手法を提案する。表面の復元を一切行わずに、健全な構造的特徴と点雲全体の形状の両方を保っている。提案手法を複数のベンチマークおよび自己取得点雲上で評価し,既存手法と比較し,下流での登録と表面再構成の応用を実証した。
論文参考訳（メタデータ） (2023-03-27T14:05:34Z)
Data Augmentation-free Unsupervised Learning for 3D Point Cloud Understanding [61.30276576646909]
ソフトクラスタリング(SoftClu)と呼ばれる,移動可能な点レベルの特徴を学習するための,ポイントクラウドに対する拡張不要な教師なしアプローチを提案する。我々は,クラスタに対するポイントのアフィリエイトをプロキシとして利用し,擬似ラベル予測タスクを通じて自己学習を可能にする。
論文参考訳（メタデータ） (2022-10-06T10:18:16Z)
MAPLE: Masked Pseudo-Labeling autoEncoder for Semi-supervised Point Cloud Action Recognition [160.49403075559158]
本稿では,Pseudo-Labeling autoEncoder (textbfMAPLE) フレームワークを提案する。特に、MAPLEのバックボーンとして、新規で効率的なtextbfDecoupled textbfspatial-textbftemporal TranstextbfFormer(textbfDestFormer)を設計する。 MAPLEは3つの公開ベンチマークにおいて優れた結果を得て、MSR-Action3の精度を8.08%向上させる。
論文参考訳（メタデータ） (2022-09-01T12:32:40Z)
Dual Adaptive Transformations for Weakly Supervised Point Cloud Segmentation [78.6612285236938]
弱制御点雲分割のための新しいDATモデル(textbfDual textbfAdaptive textbfTransformations)を提案する。我々は,大規模S3DISデータセットとScanNet-V2データセットの2つの人気バックボーンを用いたDATモデルの評価を行った。
論文参考訳（メタデータ） (2022-07-19T05:43:14Z)
Unsupervised Point Cloud Representation Learning with Deep Neural Networks: A Survey [104.71816962689296]
大規模クラウドラベリングの制約により,教師なしのポイントクラウド表現学習が注目されている。本稿では、ディープニューラルネットワークを用いた教師なしポイントクラウド表現学習の総合的なレビューを提供する。
論文参考訳（メタデータ） (2022-02-28T07:46:05Z)
Dense Supervision Propagation for Weakly Supervised Semantic Segmentation on 3D Point Clouds [59.63231842439687]
意味点クラウドセグメンテーションネットワークをトレーニングする。同様の特徴を伝達し、2つのサンプルにまたがる勾配を再現するクロスサンプル機能再配置モジュールを提案する。ラベルの10%と1%しか持たない弱教師付き手法では、完全教師付き手法と互換性のある結果が得られる。
論文参考訳（メタデータ） (2021-07-23T14:34:57Z)
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)

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。