論文の概要: Learning Instance-Aware Correspondences for Robust Multi-Instance Point Cloud Registration in Cluttered Scenes

• arxiv url: http://arxiv.org/abs/2404.04557v1
• Date: Sat, 6 Apr 2024 08:51:07 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-09 20:39:11.478849
• Title: Learning Instance-Aware Correspondences for Robust Multi-Instance Point Cloud Registration in Cluttered Scenes
• Title（参考訳）: 散在シーンにおけるロバストなマルチインスタンスポイントクラウド登録のための学習事例対応
• Authors: Zhiyuan Yu, Zheng Qin, Lintao Zheng, Kai Xu,
• Abstract要約: 我々は、インスタンス認識対応の抽出に対する粗大なアプローチであるMIRETRを提案する。 MIRETRは、挑戦的なROBIベンチマークでF1スコアの16.6ポイントで芸術の状態を上回ります。
• 参考スコア（独自算出の注目度）: 15.706413763407056
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-instance point cloud registration estimates the poses of multiple instances of a model point cloud in a scene point cloud. Extracting accurate point correspondence is to the center of the problem. Existing approaches usually treat the scene point cloud as a whole, overlooking the separation of instances. Therefore, point features could be easily polluted by other points from the background or different instances, leading to inaccurate correspondences oblivious to separate instances, especially in cluttered scenes. In this work, we propose MIRETR, Multi-Instance REgistration TRansformer, a coarse-to-fine approach to the extraction of instance-aware correspondences. At the coarse level, it jointly learns instance-aware superpoint features and predicts per-instance masks. With instance masks, the influence from outside of the instance being concerned is minimized, such that highly reliable superpoint correspondences can be extracted. The superpoint correspondences are then extended to instance candidates at the fine level according to the instance masks. At last, an efficient candidate selection and refinement algorithm is devised to obtain the final registrations. Extensive experiments on three public benchmarks demonstrate the efficacy of our approach. In particular, MIRETR outperforms the state of the arts by 16.6 points on F1 score on the challenging ROBI benchmark. Code and models are available at https://github.com/zhiyuanYU134/MIRETR.
• Abstract（参考訳）: マルチインスタンスポイントクラウド登録は、シーンポイントクラウド内のモデルポイントクラウドの複数のインスタンスのポーズを推定する。 正確な点対応を抽出することは問題の中心である。 既存のアプローチは通常、インスタンスの分離を見越して、シーンポイントクラウド全体を扱います。 したがって、ポイントの特徴は、背景または異なるインスタンスから他のポイントによって簡単に汚染され、特に散らかったシーンにおいて、別々のインスタンスに対して不正確な対応が生じる。 本研究では,MIRETR,Multi-Instance Registration TRansformerを提案する。 粗いレベルでは、インスタンス対応のスーパーポイントの特徴を共同で学習し、インスタンスごとのマスクを予測する。 例マスクでは、関係するインスタンスの外からの影響を最小限に抑え、信頼性の高いスーパーポイント対応を抽出することができる。 スーパーポイント対応は、インスタンスマスクに従って細かなレベルでインスタンス候補に拡張される。 最終的に、最終的な登録を得るために効率的な候補選択および改良アルゴリズムが考案された。 3つの公開ベンチマークに関する大規模な実験は、我々のアプローチの有効性を実証している。 特にMIRETRは、挑戦的なROBIベンチマークでF1スコアで16.6ポイント上回る。 コードとモデルはhttps://github.com/zhiyuanYU134/MIRETRで公開されている。

関連論文リスト

• 3D Focusing-and-Matching Network for Multi-Instance Point Cloud Registration [45.579241614565376]
  マルチインスタンスポイントクラウド登録のための強力な3D焦点マッチングネットワークを提案する。 自己アテンションと横断アテンションを使用することで、オブジェクトセンターを後退させることで、潜在的なマッチングインスタンスを見つけることができる。 提案手法は,マルチインスタンスポイントクラウド登録タスクにおいて,新たな最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-11-12T12:04:44Z)
• EipFormer: Emphasizing Instance Positions in 3D Instance Segmentation [51.996943482875366]
  本稿では, プログレッシブアグリゲーションとデュアル位置埋め込みを組み合わせた新しいトランスフォーマーアーキテクチャ, EipFormerを提案する。 EipFormerは最先端のアプローチよりも優れた、あるいは同等のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2023-12-09T16:08:47Z)
• FreePoint: Unsupervised Point Cloud Instance Segmentation [72.64540130803687]
  点クラウド上の教師なしクラス非依存のインスタンスセグメンテーションを探索するためのFreePointを提案する。 我々は、座標、色、そして自己監督の深い特徴を組み合わせることで、点の特徴を表現する。 ポイント機能に基づいて、ポイントクラウドを擬似ラベルとして粗いインスタンスマスクに分割し、ポイントクラウドインスタンスセグメンテーションモデルをトレーニングする。
  論文  参考訳（メタデータ） (2023-05-11T16:56:26Z)
• PointCLM: A Contrastive Learning-based Framework for Multi-instance Point Cloud Registration [4.969636478156443]
  PointCLMは、ミュートリインスタンスポイントクラウド登録のための対照的な学習ベースのフレームワークである。 提案手法は, 合成データと実データの両方において, 最先端の手法よりも大きなマージンで性能を向上する。
  論文  参考訳（メタデータ） (2022-09-01T04:30:05Z)
• Sparse Instance Activation for Real-Time Instance Segmentation [72.23597664935684]
  本稿では,リアルタイムインスタンスセグメンテーションのための概念的・効率的・完全畳み込み型フレームワークを提案する。 SparseInstは非常に高速な推論速度を持ち、COCOベンチマークで40 FPSと37.9 APを達成した。
  論文  参考訳（メタデータ） (2022-03-24T03:15:39Z)
• Masked Discrimination for Self-Supervised Learning on Point Clouds [27.652157544218234]
  マスク付きオートエンコーディングは、画像と言語領域における自己教師型学習において大きな成功を収めた。 PointNetのような標準的なバックボーンは、トレーニング中にマスクによって導入された分散ミスマッチのトレーニングとテストのミスマッチを適切に処理できない。 我々はこのギャップを、ポイントクラウドのための差別マスク事前学習フレームワークMaskPointを提案し、橋渡しする。
  論文  参考訳（メタデータ） (2022-03-21T17:57:34Z)
• Point Cloud Registration using Representative Overlapping Points [10.843159482657303]
  本稿では,登録のための識別機能を備えた代表オーバーラップポイントを用いた新しいディープラーニングモデル ROPNetを提案する。 具体的には,エンコーダを用いてポイントオーバーラップスコアの予測にグローバルな特徴を抽出するコンテキスト誘導モジュールを提案する。 ノイズと部分重なり合う点雲を用いたModelNet40上での実験により,提案手法が従来の学習手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2021-07-06T12:52:22Z)
• Pointly-Supervised Instance Segmentation [81.34136519194602]
  インスタンスセグメンテーションの弱い監視の新しい形態であるポイントベースのインスタンスレベルのアノテーションを提案する。 標準のバウンディングボックスアノテーションと、各バウンディングボックス内で一様にサンプリングされるラベル付きポイントを組み合わせる。 実験では,COCO,PASCAL VOC,Cityscapes,LVISでトレーニングしたMask R-CNNモデルに対して,各オブジェクトあたりの注釈付きポイントが94%～98%の完全教師付きパフォーマンスを達成した。
  論文  参考訳（メタデータ） (2021-04-13T17:59:40Z)
• PointINS: Point-based Instance Segmentation [117.38579097923052]
  POI(Point-of-Interest)機能によるインスタンスセグメンテーションにおけるマスク表現は、各インスタンスの高次元マスク機能を学ぶには、計算負荷が重いため、難しい。 本稿では、このマスク表現学習タスクを2つの抽出可能なモジュールに分解するインスタンス認識畳み込みを提案する。 インスタンス認識の畳み込みとともに、単純で実用的なインスタンスセグメンテーションアプローチであるPointINSを提案する。
  論文  参考訳（メタデータ） (2020-03-13T08:24:58Z)

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。