論文の概要: ML-SemReg: Boosting Point Cloud Registration with Multi-level Semantic Consistency

• arxiv url: http://arxiv.org/abs/2407.09862v1
• Date: Sat, 13 Jul 2024 12:10:56 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-16 20:27:46.263661
• Title: ML-SemReg: Boosting Point Cloud Registration with Multi-level Semantic Consistency
• Title（参考訳）: ML-SemReg: マルチレベルのセマンティック一貫性を備えたポイントクラウド登録
• Authors: Shaocheng Yan, Pengcheng Shi, Jiayuan Li,
• Abstract要約: ML-SemRegは、セマンティック情報を完全に活用するプラグインとプレイポイントのクラウド登録フレームワークである。 私たちのキーとなる洞察は、ミスマッチはセマンティックなヒントを描画した後、クラス間とクラス内という2つのタイプに分類できるということです。
• 参考スコア（独自算出の注目度）: 9.60517130035047
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in point cloud registration mostly leverage geometric information. Although these methods have yielded promising results, they still struggle with problems of low overlap, thus limiting their practical usage. In this paper, we propose ML-SemReg, a plug-and-play point cloud registration framework that fully exploits semantic information. Our key insight is that mismatches can be categorized into two types, i.e., inter- and intra-class, after rendering semantic clues, and can be well addressed by utilizing multi-level semantic consistency. We first propose a Group Matching module to address inter-class mismatching, outputting multiple matching groups that inherently satisfy Local Semantic Consistency. For each group, a Mask Matching module based on Scene Semantic Consistency is then introduced to suppress intra-class mismatching. Benefit from those two modules, ML-SemReg generates correspondences with a high inlier ratio. Extensive experiments demonstrate excellent performance and robustness of ML-SemReg, e.g., in hard-cases of the KITTI dataset, the Registration Recall of MAC increases by almost 34 percentage points when our ML-SemReg is equipped. Code is available at \url{https://github.com/Laka-3DV/ML-SemReg}
• Abstract（参考訳）: ポイントクラウド登録の最近の進歩は、主に幾何学的情報を活用する。 これらの手法は有望な結果をもたらしたが、それでも重複の少ない問題に苦しむため、実用的利用は制限されている。 本稿では,セマンティック情報を完全に活用するプラグイン・アンド・プレイポイントクラウド登録フレームワークであるML-SemRegを提案する。 キーとなる洞察は、ミスマッチはセマンティックなヒントをレンダリングした後、クラス間とクラス内という2つのタイプに分類でき、マルチレベルなセマンティックな一貫性を利用することでうまく対処できるということです。 まず、クラス間ミスマッチに対処するグループマッチングモジュールを提案し、ローカルセマンティック一貫性を本質的に満足する複数のマッチンググループを出力する。 各グループについて、Scene Semantic Consistencyに基づくマスクマッチングモジュールを導入し、クラス内ミスマッチを抑制する。 これら2つのモジュールから恩恵を受けるため、ML-SemRegは高いイリヤ比の対応を生成する。 KITTIデータセットのハードケースでは,ML-SeemRegが装備された場合,MACの登録リコールが約34パーセント増加し,ML-SeemRegの性能と堅牢性が向上した。 コードは \url{https://github.com/Laka-3DV/ML-SemReg} で入手できる。

関連論文リスト

• Point Mamba: A Novel Point Cloud Backbone Based on State Space Model with Octree-Based Ordering Strategy [15.032048930130614]
  我々は、因果性を考慮した注文機構を備えた、新しいSSMベースのポイントクラウド処理バックボーン、Point Mambaを提案する。 本手法は, 変圧器をベースとした変圧器と比較して, 93.4%の精度と75.7mIOUの精度を実現している。 提案手法は,SSMが点雲理解において一般的なバックボーンとして機能する可能性を示す。
  論文  参考訳（メタデータ） (2024-03-11T07:07:39Z)
• SC-MIL: Sparsely Coded Multiple Instance Learning for Whole Slide Image Classification [2.3364474984323103]
  多重インスタンス学習(MIL)は、弱い教師付き全スライド画像(WSI)分類に広く用いられている。 本稿では,スパース辞書学習を活用することで,2つの側面を同時に扱うスパース符号化MIL(SC-MIL)手法を提案する。 提案したSCモジュールは、既存のMILフレームワークにプラグイン・アンド・プレイ方式で組み込むことができ、計算コストは許容できる。
  論文  参考訳（メタデータ） (2023-10-31T18:01:41Z)
• Temporal-aware Hierarchical Mask Classification for Video Semantic Segmentation [62.275143240798236]
  ビデオセマンティックセグメンテーションデータセットは、ビデオ毎のカテゴリが限られている。 VSSトレーニング中に意味のある勾配更新を受けるために、クエリの10%未満がマッチする可能性がある。 提案手法は,最新のVSSベンチマークVSPWにおいてベルやホイッスルを使わずに,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-09-14T20:31:06Z)
• A Strong Baseline for Point Cloud Registration via Direct Superpoints Matching [7.308509114539376]
  本稿では,グローバルなマッチング方式でスーパーポイントの対応を見つけるための,シンプルで効果的なベースラインを提案する。 我々の単純で効果的なベースラインは、3つのデータセットの最先端メソッドと同等かそれ以上の結果を示している。
  論文  参考訳（メタデータ） (2023-07-03T21:33:40Z)
• Hierarchical Matching and Reasoning for Multi-Query Image Retrieval [113.44470784756308]
  マルチクエリ画像検索のための階層マッチング・推論ネットワーク(HMRN)を提案する。 MQIRを3つの階層的なセマンティック表現に分解し、きめ細かい局所的な詳細、文脈的グローバルスコープ、高レベルの固有の相関をキャプチャする責任を負う。 我々のHMRNは最先端の手法を大幅に上回っている。
  論文  参考訳（メタデータ） (2023-06-26T07:03:56Z)
• MIANet: Aggregating Unbiased Instance and General Information for Few-Shot Semantic Segmentation [6.053853367809978]
  既存の少数ショットセグメンテーション手法はメタラーニング戦略に基づいて,サポートセットからインスタンス知識を抽出する。 本稿では,多情報集約ネットワーク(MIANet)を提案する。 PASCAL-5iとCOCO-20iの実験により、MIANetは優れた性能を示し、新しい最先端技術を確立した。
  論文  参考訳（メタデータ） (2023-05-23T09:36:27Z)
• Coupling Global Context and Local Contents for Weakly-Supervised Semantic Segmentation [54.419401869108846]
  Weakly Supervised Semantic (WSSS)モデルを提案する。 グローバルなオブジェクトコンテキストを異なる粒度空間でキャプチャするために,フレキシブルなコンテキストアグリゲーションモジュールを提案する。 局所的な細粒度を集約するために、ボトムアップパラメータ学習可能な方法で意味的に一貫した特徴融合モジュールを提案する。
  論文  参考訳（メタデータ） (2023-04-18T15:29:23Z)
• Iteratively Coupled Multiple Instance Learning from Instance to Bag Classifier for Whole Slide Image Classification [21.16848269555692]
  Whole Slide Image (WSI)分類は、非常に高解像度であり、きめ細かいラベルがないため、依然として課題である。 我々は,バッグレベルの分類器からパッチ埋め込み装置への損失バックプロパゲーションプロセスをブリッジする,ICMIL (Iteratively Coupled MIL) と呼ばれる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T06:12:53Z)
• USER: Unified Semantic Enhancement with Momentum Contrast for Image-Text Retrieval [115.28586222748478]
  Image-Text Retrieval (ITR) は、与えられたクエリに意味のあるターゲットインスタンスを、他のモダリティから検索することを目的としている。 既存のアプローチは通常、2つの大きな制限に悩まされる。
  論文  参考訳（メタデータ） (2023-01-17T12:42:58Z)
• Online Multi-Object Tracking and Segmentation with GMPHD Filter and Mask-based Affinity Fusion [79.87371506464454]
  本稿では,インスタンス分割結果を入力として利用するMOTS法を提案する。 提案手法は,ガウス混合確率仮説密度 (GMPHD) フィルタ,階層型データアソシエーション (HDA) モデル,マスクベース親和性融合 (MAF) モデルに基づく。 2つの人気のあるMOTSデータセットの実験では、主要なモジュールがいくつかの改善点を示している。
  論文  参考訳（メタデータ） (2020-08-31T21:06:22Z)
• Few-shot 3D Point Cloud Semantic Segmentation [138.80825169240302]
  本稿では,新しい注意型マルチプロトタイプトランスダクティブ・ショットポイント・クラウドセマンティックセマンティック・セマンティクス法を提案する。 提案手法は,雲のセマンティックセマンティックセグメンテーション設定の違いによるベースラインに比べて,顕著で一貫した改善を示す。
  論文  参考訳（メタデータ） (2020-06-22T08:05:25Z)

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。