論文の概要: Benchmarking Classical and Learning-Based Multibeam Point Cloud Registration

• arxiv url: http://arxiv.org/abs/2405.06279v1
• Date: Fri, 10 May 2024 07:23:33 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-13 16:27:43.224200
• Title: Benchmarking Classical and Learning-Based Multibeam Point Cloud Registration
• Title（参考訳）: 古典的および学習的マルチビームポイントクラウド登録のベンチマーク
• Authors: Li Ling, Jun Zhang, Nils Bore, John Folkesson, Anna Wåhlin,
• Abstract要約: 水中領域では、マルチビームエコーソーダ(MBES)ポイントクラウドデータのほとんどの登録は古典的手法で行われている。 本研究では,2つの古典的手法と4つの学習的手法のパフォーマンスをベンチマークする。 我々の知る限りでは、AUVベースのMBESデータセット上で学習ベースと古典的登録方法の両方をベンチマークする最初の試みである。
• 参考スコア（独自算出の注目度）: 4.919017078893727
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning has shown promising results for multiple 3D point cloud registration datasets. However, in the underwater domain, most registration of multibeam echo-sounder (MBES) point cloud data are still performed using classical methods in the iterative closest point (ICP) family. In this work, we curate and release DotsonEast Dataset, a semi-synthetic MBES registration dataset constructed from an autonomous underwater vehicle in West Antarctica. Using this dataset, we systematically benchmark the performance of 2 classical and 4 learning-based methods. The experimental results show that the learning-based methods work well for coarse alignment, and are better at recovering rough transforms consistently at high overlap (20-50%). In comparison, GICP (a variant of ICP) performs well for fine alignment and is better across all metrics at extremely low overlap (10%). To the best of our knowledge, this is the first work to benchmark both learning-based and classical registration methods on an AUV-based MBES dataset. To facilitate future research, both the code and data are made available online.
• Abstract（参考訳）: ディープラーニングは、複数の3Dポイントクラウド登録データセットに対して有望な結果を示している。 しかし、水中領域では、マルチビームエコーソーダ(MBES)ポイントクラウドデータのほとんどの登録は、いまだにICPファミリーの古典的な手法を用いて行われている。 本研究では、西南極の自律型水中車両から構築された半合成MBES登録データセットであるDotsonEast Datasetをキュレートしてリリースする。 このデータセットを用いて、2つの古典的手法と4つの学習的手法のパフォーマンスを体系的にベンチマークする。 実験の結果,学習に基づく手法は粗いアライメントに適しており,高い重なり合い(20～50%)で粗い変換の回復が良好であることがわかった。 対照的に、GICP(ICPの亜種)は微調整に優れており、非常に低い重なり合い(10%)で全ての指標で優れている。 我々の知る限りでは、AUVベースのMBESデータセット上で学習ベースと古典的登録方法の両方をベンチマークする最初の試みである。 将来の研究を容易にするため、コードとデータの両方をオンラインで利用可能にしている。

関連論文リスト

• PointRegGPT: Boosting 3D Point Cloud Registration using Generative Point-Cloud Pairs for Training [90.06520673092702]
  生成点クラウドペアを用いた3Dポイントクラウドの登録をトレーニングのために促進するPointRegGPTを提案する。 我々の知る限り、これは屋内のクラウド登録のためのリアルなデータ生成を探求する最初の生成的アプローチである。
  論文  参考訳（メタデータ） (2024-07-19T06:29:57Z)
• Approximate Nearest Neighbour Search on Dynamic Datasets: An Investigation [20.409659920455955]
  近似k-Nearest Neighbour (ANN) 法は情報マイニングや大規模高次元データセットでの機械学習支援によく用いられる。 静的なデータセットを持つアプリケーションでは、ランタイム制約とデータセットプロパティを使用して、適切な操作特性を持つANNメソッドを経験的に選択することができる。 従来の評価手法は、インデックス構造を更新する際の計算コストや、インデックス更新の率とサイズを考慮していない。
  論文  参考訳（メタデータ） (2024-04-30T06:21:44Z)
• Replication: Contrastive Learning and Data Augmentation in Traffic Classification Using a Flowpic Input Representation [47.95762911696397]
  同じデータセット上で[16]を再現し、3つの追加の公開データセット上で最も健全なアスペクト(データ拡張の重要性)を複製します。 元の結果のほとんどを確認できたが、元のデータセットにデータシフトがあったため、調査されたシナリオの20%の精度低下が判明した。
  論文  参考訳（メタデータ） (2023-09-18T12:55:09Z)
• Convolutional Neural Networks for the classification of glitches in gravitational-wave data streams [52.77024349608834]
  我々は、高度LIGO検出器のデータから過渡ノイズ信号(グリッチ)と重力波を分類する。 どちらも、Gravity Spyデータセットを使用して、スクラッチからトレーニングされた、教師付き学習アプローチのモデルを使用します。 また、擬似ラベルの自動生成による事前学習モデルの自己教師型アプローチについても検討する。
  論文  参考訳（メタデータ） (2023-03-24T11:12:37Z)
• Bi-level Alignment for Cross-Domain Crowd Counting [113.78303285148041]
  現在の手法は、補助的なタスクを訓練したり、高価な粗大な見積もりを適用したりするための外部データに依存している。 そこで我々は, 簡易かつ効率的に適用可能な, 逆学習に基づく新しい手法を開発した。 実世界の5つのクラウドカウントベンチマークに対するアプローチを評価し、既存のアプローチを大きなマージンで上回ります。
  論文  参考訳（メタデータ） (2022-05-12T02:23:25Z)
• Dominant Set-based Active Learning for Text Classification and its Application to Online Social Media [0.0]
  本稿では,最小限のアノテーションコストで大規模未ラベルコーパスのトレーニングを行うための,プールベースのアクティブラーニング手法を提案する。 提案手法には調整すべきパラメータが一切ないため,データセットに依存しない。 本手法は,最先端のアクティブラーニング戦略と比較して高い性能を実現する。
  論文  参考訳（メタデータ） (2022-01-28T19:19:03Z)
• What Stops Learning-based 3D Registration from Working in the Real World? [53.68326201131434]
  この研究は、3Dポイントのクラウド登録失敗の原因を特定し、その原因を分析し、解決策を提案する。 最終的に、これは最も実践的な3D登録ネットワーク(BPNet)に変換される。 我々のモデルは微調整をせずに実データに一般化し、商用センサで得られた見えない物体の点雲上で最大67%の精度に達する。
  論文  参考訳（メタデータ） (2021-11-19T19:24:27Z)
• Accurate Point Cloud Registration with Robust Optimal Transport [16.386335031156005]
  近年のOTソルバは,ポイントクラウド登録のための最適化手法と深層学習法の両方を改善している。 我々の研究は、ロバストOTが幅広い登録モデルに対して高速な事前調整と微調整を可能にすることを示した。
  論文  参考訳（メタデータ） (2021-11-01T01:34:46Z)
• No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data [78.69828864672978]
  実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。 このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。 実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
  論文  参考訳（メタデータ） (2021-06-09T12:02:29Z)
• Points2Surf: Learning Implicit Surfaces from Point Cloud Patches [35.2104818061992]
  スキャンベースの計算における重要なステップは、秩序のない点雲を表面に変換することである。 Points2Surfはパッチベースの新しい学習フレームワークで、正常なスキャンから正確な表面を直接生成する。
  論文  参考訳（メタデータ） (2020-07-20T20:25:39Z)

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。