論文の概要: Global Point Cloud Registration Network for Large Transformations
- arxiv url: http://arxiv.org/abs/2403.18040v1
- Date: Tue, 26 Mar 2024 18:52:48 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-28 21:14:58.255645
- Title: Global Point Cloud Registration Network for Large Transformations
- Title(参考訳): 大規模変換のためのグローバルポイントクラウド登録ネットワーク
- Authors: Hanz Cuevas-Velasquez, Alejandro Galán-Cuenca, Antonio Javier Gallego, Marcelo Saval-Calvo, Robert B. Fisher,
- Abstract要約: ローカルトランスフォーメーションの優れたパフォーマンスを維持しつつ,大規模なトランスフォーメーションが発生するケースに直面するアーキテクチャであるReLaToを提案する。
本稿では,ソフトマックスプーリング層を用いて2つの点集合間の相互一致関係を抽出し,最も確実な一致を抽出する。
そして、得られた一致と潜伏特徴の両方に目標誘導復調ステップを適用し、最終的な微妙な登録を推定する。
- 参考スコア(独自算出の注目度): 46.7301374772952
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Three-dimensional data registration is an established yet challenging problem that is key in many different applications, such as mapping the environment for autonomous vehicles, and modeling objects and people for avatar creation, among many others. Registration refers to the process of mapping multiple data into the same coordinate system by means of matching correspondences and transformation estimation. Novel proposals exploit the benefits of deep learning architectures for this purpose, as they learn the best features for the data, providing better matches and hence results. However, the state of the art is usually focused on cases of relatively small transformations, although in certain applications and in a real and practical environment, large transformations are very common. In this paper, we present ReLaTo (Registration for Large Transformations), an architecture that faces the cases where large transformations happen while maintaining good performance for local transformations. This proposal uses a novel Softmax pooling layer to find correspondences in a bilateral consensus manner between two point sets, sampling the most confident matches. These matches are used to estimate a coarse and global registration using weighted Singular Value Decomposition (SVD). A target-guided denoising step is then applied to both the obtained matches and latent features, estimating the final fine registration considering the local geometry. All these steps are carried out following an end-to-end approach, which has been shown to improve 10 state-of-the-art registration methods in two datasets commonly used for this task (ModelNet40 and KITTI), especially in the case of large transformations.
- Abstract(参考訳): 3次元データ登録は、自動運転車の環境のマッピングや、アバター作成のためのオブジェクトや人々をモデル化するなど、多くの異なるアプリケーションにおいて重要な、確立されながら難しい問題である。
登録とは、一致した対応と変換推定によって複数のデータを同じ座標系にマッピングする過程を指す。
新たな提案では、この目的のためにディープラーニングアーキテクチャの利点を活用して、データのための最高の機能を学び、より良いマッチングを提供し、その結果を得る。
しかしながら、最先端技術は通常、比較的小さな変換の場合に焦点を当てるが、特定のアプリケーションや現実的で実践的な環境では、大きな変換が非常に一般的である。
本稿では,ReLaTo(Registration for Large Transformations)について述べる。
この提案では、新しいSoftmaxプーリング層を用いて、2つの点集合間の相互一致的な対応を見つけ、最も確実な一致をサンプリングする。
これらのマッチは、重み付き特異値分解(SVD)を用いて粗大かつグローバルな登録を推定するために使用される。
次に、得られた一致と潜伏特徴の両方に目標誘導復調ステップを適用し、局所的幾何を考慮した最終的な微妙な登録を推定する。
これらのステップは、特に大きな変換の場合において、このタスクに一般的に使用される2つのデータセット(ModelNet40とKITTI)における10の最先端の登録方法を改善することが示されているエンドツーエンドアプローチに従って実行される。
関連論文リスト
- Cross-domain and Cross-dimension Learning for Image-to-Graph
Transformers [50.576354045312115]
直接画像からグラフへの変換は、単一のモデルにおけるオブジェクトの検出と関係予測を解決するための課題である。
画像-グラフ変換器のクロスドメインおよびクロス次元変換学習を可能にする一連の手法を提案する。
そこで我々は,2次元の衛星画像上でモデルを事前学習し,それを2次元および3次元の異なるターゲット領域に適用する。
論文 参考訳(メタデータ) (2024-03-11T10:48:56Z) - Hierarchical Attention and Graph Neural Networks: Toward Drift-Free Pose
Estimation [1.745925556687899]
最もよく使われている3次元幾何登録法は、反復的なクローゼットポイントアルゴリズムである。
本稿では,階層型アテンション機構とグラフニューラルネットワークを用いた学習モデルを用いて,従来の幾何学的登録とポーズグラフ最適化を置き換えたフレームワークを提案する。
論文 参考訳(メタデータ) (2023-09-18T16:51:56Z) - 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) - Shape registration in the time of transformers [9.728331219460287]
本研究では,非剛性3次元点雲の効率的な登録のための変圧器ベース手法を提案する。
このアーキテクチャの潜在能力を生かして、基礎的真理対応のスパースセットだけを必要とするモデルを訓練することができる。
論文 参考訳(メタデータ) (2021-06-25T15:02:30Z) - AutoAdapt: Automated Segmentation Network Search for Unsupervised Domain
Adaptation [4.793219747021116]
我々は、ドメイン適応のためのアーキテクチャレベルの視点と分析を提供するために、ニューラルアーキテクチャサーチ(NAS)を実行する。
本稿では,最大平均誤差と地域重み付きエントロピーを用いて,このギャップを埋めて精度を推定する手法を提案する。
論文 参考訳(メタデータ) (2021-06-24T17:59:02Z) - Locally Aware Piecewise Transformation Fields for 3D Human Mesh
Registration [67.69257782645789]
本論文では,3次元変換ベクトルを学習し,提案空間内の任意のクエリ点をリザーブ空間内の対応する位置にマップする部分変換場を提案する。
パラメトリックモデルにネットワークのポーズを合わせることで、特に極端なポーズにおいて、より優れた登録品質が得られることを示す。
論文 参考訳(メタデータ) (2021-04-16T15:16:09Z) - Recent Developments Combining Ensemble Smoother and Deep Generative
Networks for Facies History Matching [58.720142291102135]
本研究は、ファシズムモデルのための連続パラメータ化を構築するためのオートエンコーダネットワークの利用に焦点を当てる。
本稿では,VAE,GAN,Wasserstein GAN,変分自動符号化GAN,サイクルGANの主成分分析(PCA),転送スタイルネットワークのPCA,スタイル損失のVAEの7種類の定式化をベンチマークする。
論文 参考訳(メタデータ) (2020-05-08T21:32:42Z) - Supervised Domain Adaptation using Graph Embedding [86.3361797111839]
領域適応法は、2つの領域間の分布がシフトし、それを認識しようとすると仮定する。
グラフ埋め込みに基づく汎用フレームワークを提案する。
提案手法が強力なドメイン適応フレームワークにつながることを示す。
論文 参考訳(メタデータ) (2020-03-09T12:25:13Z) - When Deep Learning Meets Data Alignment: A Review on Deep Registration
Networks (DRNs) [4.616914111718527]
機械学習の最近の進歩は、コンピュータビジョンの分野における転換点となるかもしれない。
機械学習の最近の進歩は、コンピュータビジョンの分野における転換点となるかもしれない。
論文 参考訳(メタデータ) (2020-03-06T12:56:19Z)
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。