論文の概要: Efficient and Robust Point Cloud Registration via Heuristics-guided Parameter Search

• arxiv url: http://arxiv.org/abs/2404.06155v1
• Date: Tue, 9 Apr 2024 09:28:05 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-10 15:19:37.081964
• Title: Efficient and Robust Point Cloud Registration via Heuristics-guided Parameter Search
• Title（参考訳）: ヒューリスティックス誘導パラメータサーチによる効率的なロバストポイントクラウド登録
• Authors: Tianyu Huang, Haoang Li, Liangzu Peng, Yinlong Liu, Yun-Hui Liu,
• Abstract要約: 配置された3次元対応セットに基づいて6自由度で剛性変換を推定することは、点雲登録において決定的な手順である。 本稿では,高ロバスト性を維持しつつ,探索を高速化するパラメータ探索戦略を提案する。 我々の戦略は検索スペースを大幅に減らし、少数のインサイレントサンプルで精度を保証できる。
• 参考スコア（独自算出の注目度）: 44.774302677330105
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Estimating the rigid transformation with 6 degrees of freedom based on a putative 3D correspondence set is a crucial procedure in point cloud registration. Existing correspondence identification methods usually lead to large outlier ratios ($>$ 95 $\%$ is common), underscoring the significance of robust registration methods. Many researchers turn to parameter search-based strategies (e.g., Branch-and-Bround) for robust registration. Although related methods show high robustness, their efficiency is limited to the high-dimensional search space. This paper proposes a heuristics-guided parameter search strategy to accelerate the search while maintaining high robustness. We first sample some correspondences (i.e., heuristics) and then just need to sequentially search the feasible regions that make each sample an inlier. Our strategy largely reduces the search space and can guarantee accuracy with only a few inlier samples, therefore enjoying an excellent trade-off between efficiency and robustness. Since directly parameterizing the 6-dimensional nonlinear feasible region for efficient search is intractable, we construct a three-stage decomposition pipeline to reparameterize the feasible region, resulting in three lower-dimensional sub-problems that are easily solvable via our strategy. Besides reducing the searching dimension, our decomposition enables the leverage of 1-dimensional interval stabbing at all three stages for searching acceleration. Moreover, we propose a valid sampling strategy to guarantee our sampling effectiveness, and a compatibility verification setup to further accelerate our search. Extensive experiments on both simulated and real-world datasets demonstrate that our approach exhibits comparable robustness with state-of-the-art methods while achieving a significant efficiency boost.
• Abstract（参考訳）: 配置された3次元対応セットに基づいて6自由度で剛体変換を推定することは、点雲登録において決定的な手順である。 既存の対応識別法は、通常、大きな外付け率(=95$\%$は一般的)につながり、ロバストな登録法の重要性を暗示している。 多くの研究者は、ロバストな登録のためにパラメータ検索ベースの戦略(例:ブランチ・アンド・ラウンド)に目を向けている。 関連する手法は高いロバスト性を示すが、その効率は高次元探索空間に限られる。 本稿では,高ロバスト性を維持しながら探索を高速化するためのヒューリスティックス誘導パラメータ探索手法を提案する。 まず、いくつかの対応(すなわちヒューリスティックス)をサンプリングし、次に、各サンプルをより多くする実行可能な領域をシーケンシャルに探索する。 我々の戦略は検索スペースを大幅に減らし、少数の不整合サンプルで精度を保証できるので、効率と堅牢性の間に優れたトレードオフを享受できる。 効率的な探索を行うために, 6次元非線形可視領域を直接パラメータ化することは困難であるため, 実現可能な領域を再パラメータ化するための3段階分解パイプラインを構築した。 探索次元の削減に加えて, この分解により, 探索加速度の3段階すべてにおいて, 1次元間隔スタビングの活用が可能となる。 さらに、サンプリングの有効性を保証するための有効なサンプリング戦略と、検索をさらに高速化するための互換性確認設定を提案する。 シミュレーションと実世界の両方のデータセットに対する大規模な実験は、我々のアプローチが最先端の手法と同等の堅牢性を示しながら、大幅な効率向上を実現していることを示している。

関連論文リスト

• Efficient Line Search Method Based on Regression and Uncertainty Quantification [7.724860428430271]
  制約のない最適化問題は、通常、最適なステップ長を決定するために反復法を用いて解決される。 本稿では,ベイズ最適化を用いた新しい線探索手法を提案する。 既存の最先端手法と比較して優れた性能を示し、同等のリソース使用量で最適性に多くの問題を解決している。
  論文  参考訳（メタデータ） (2024-05-17T16:35:20Z)
• Efficient and Joint Hyperparameter and Architecture Search for Collaborative Filtering [31.25094171513831]
  協調フィルタリングモデルのための2段階探索アルゴリズムを提案する。 最初の段階では、サブサンプルデータセットからの知識を活用して評価コストを削減します。 第2段階では、データセット全体の上位候補モデルを効率的に微調整する。
  論文  参考訳（メタデータ） (2023-07-12T10:56:25Z)
• Efficient and Deterministic Search Strategy Based on Residual Projections for Point Cloud Registration with Correspondences [18.509532571594995]
  現在の3D特徴マッチングアプローチは、通常、多くの外乱対応をもたらし、外乱登録技術は不可欠である。 本稿では,残射影に基づく新しいポーズデカップリング戦略を導入し,生の登録問題を3つのサブプロブレムに分解する。 本手法は,同時ポーズと登録の困難な問題に適応することができる。
  論文  参考訳（メタデータ） (2023-05-19T14:52:40Z)
• Distributed Dynamic Safe Screening Algorithms for Sparse Regularization [73.85961005970222]
  本稿では,分散動的安全スクリーニング(DDSS)手法を提案し,共有メモリアーキテクチャと分散メモリアーキテクチャにそれぞれ適用する。 提案手法は, 線形収束率を低次複雑度で達成し, 有限個の繰り返しにおいてほとんどすべての不活性な特徴をほぼ確実に除去できることを示す。
  論文  参考訳（メタデータ） (2022-04-23T02:45:55Z)
• Reliable Causal Discovery with Improved Exact Search and Weaker Assumptions [17.097192646470372]
  線形ガウス設定における正確なスコアベース手法のスケーラビリティを向上させるためのいくつかの戦略を導入する。 我々は,忠実度よりも厳密な仮定を必要とする逆共分散行列の支持に基づく超構造推定法を開発した。 また,各変数とその近傍が生成する局所クラスタを,超構造内の2つのホップ内で正確に探索する局所探索戦略を提案する。
  論文  参考訳（メタデータ） (2022-01-14T20:52:30Z)
• Practical, Fast and Robust Point Cloud Registration for 3D Scene Stitching and Object Localization [6.8858952804978335]
  3Dポイントクラウドの登録は、リモートセンシング、フォトグラメトリー、ロボティクス、幾何学的コンピュータビジョンの基本的な問題である。 極端外れ率のポイントクラウド登録問題に対して,VOCRAという新しい高速かつ高堅牢なソリューションを提案する。 我々の解法VOCRAは99%以上の外れ値に対して堅牢であり、最先端の競合よりも時間効率が高いことを示す。
  論文  参考訳（メタデータ） (2021-11-08T01:49:04Z)
• Efficient First-Order Contextual Bandits: Prediction, Allocation, and Triangular Discrimination [82.52105963476703]
  統計的学習、オンライン学習、その他における繰り返しのテーマは、低騒音の問題に対してより速い収束率が可能であることである。 1次保証は統計的およびオンライン学習において比較的よく理解されている。 三角識別と呼ばれる対数損失と情報理論量が一階保証を得る上で基本的な役割を担っていることを示す。
  論文  参考訳（メタデータ） (2021-07-05T19:20:34Z)
• Sample and Computation Redistribution for Efficient Face Detection [137.19388513633484]
  トレーニングデータサンプリングと計算分布戦略は、効率的で正確な顔検出の鍵です。 scrfdf34は、最高の競合製品であるTinaFaceを3.86%(ハードセットでのAP)で上回り、GPU上でVGA解像度画像でmph3$times$より高速です。
  論文  参考訳（メタデータ） (2021-05-10T23:51:14Z)
• Finding Action Tubes with a Sparse-to-Dense Framework [62.60742627484788]
  本稿では,ビデオストリームからのアクションチューブ提案を1つのフォワードパスでスパース・トゥ・デンス方式で生成するフレームワークを提案する。 UCF101-24, JHMDB-21, UCFSportsベンチマークデータセット上で, 本モデルの有効性を評価する。
  論文  参考訳（メタデータ） (2020-08-30T15:38:44Z)
• 3DSSD: Point-based 3D Single Stage Object Detector [61.67928229961813]
  本稿では,3DSSDと命名された点ベース3次元単段物体検出器を提案し,精度と効率のバランスが良好であることを示す。 提案手法は,最先端のボクセルをベースとした一段法を大差で上回り,二段法に匹敵する性能を有する。
  論文  参考訳（メタデータ） (2020-02-24T12:01:58Z)

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。