論文の概要: UMERegRobust -- Universal Manifold Embedding Compatible Features for Robust Point Cloud Registration
- arxiv url: http://arxiv.org/abs/2408.12380v2
- Date: Fri, 23 Aug 2024 09:48:02 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-26 10:14:02.481112
- Title: UMERegRobust -- Universal Manifold Embedding Compatible Features for Robust Point Cloud Registration
- Title（参考訳）: UMERegRobust - ロバストポイントクラウド登録のための互換性のある機能を組み込んだユニバーサルマニフォールド
- Authors: Yuval Haitman, Amit Efraim, Joseph M. Francos,
- Abstract要約: 我々は、剛性変換を推定するために、ユニバーサルマニフォールド埋め込み(UME)フレームワークを採用する。
独自のUMEコントラスト損失とサンプリング等化器を付加したUME互換特徴抽出手法を導入することで、UMEフレームワークを拡張した。
本稿では,大規模な回転を含むシナリオの登録方法を評価するために,Rot KITTIベンチマークを提案する。
- 参考スコア（独自算出の注目度）: 4.806505912512235
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: In this paper, we adopt the Universal Manifold Embedding (UME) framework for the estimation of rigid transformations and extend it, so that it can accommodate scenarios involving partial overlap and differently sampled point clouds. UME is a methodology designed for mapping observations of the same object, related by rigid transformations, into a single low-dimensional linear subspace. This process yields a transformation-invariant representation of the observations, with its matrix form representation being covariant (i.e. equivariant) with the transformation. We extend the UME framework by introducing a UME-compatible feature extraction method augmented with a unique UME contrastive loss and a sampling equalizer. These components are integrated into a comprehensive and robust registration pipeline, named UMERegRobust. We propose the RotKITTI registration benchmark, specifically tailored to evaluate registration methods for scenarios involving large rotations. UMERegRobust achieves better than state-of-the-art performance on the KITTI benchmark, especially when strict precision of (1{\deg}, 10cm) is considered (with an average gain of +9%), and notably outperform SOTA methods on the RotKITTI benchmark (with +45% gain compared the most recent SOTA method).
- Abstract（参考訳）: 本稿では,厳密な変換を推定するためのUME(Universal Manifold Embedding)フレームワークを採用し,それを拡張することにより,部分的な重複と異なるサンプルの点群を含むシナリオに対応する。
UMEは、剛体変換に関連する同じ物体の観測を単一の低次元線型部分空間にマッピングするために設計された方法論である。
この過程は、その行列形式表現が変換と共変(すなわち同変)であるような、観測の変換不変表現をもたらす。
独自のUMEコントラスト損失とサンプリング等化器を付加したUME互換特徴抽出手法を導入することで、UMEフレームワークを拡張した。
これらのコンポーネントは、UMERegRobustという、包括的で堅牢な登録パイプラインに統合される。
本稿では,大規模な回転を含むシナリオの登録方法を評価するために,RotKITTI登録ベンチマークを提案する。
UMERegRobust は KITTI ベンチマークの最先端性能よりも優れており、特に (1{\deg}, 10cm) の厳密な精度(平均利得+9%)が考慮され、特に RotKITTI ベンチマークの SOTA 法よりも優れている(最近の SOTA 法と比較すると +45% 向上)。
関連論文リスト
- 3D Geometric Shape Assembly via Efficient Point Cloud Matching [59.241448711254485]
Proxy Match Transform (PMT) は、部品の配向面間の信頼性の高いマッチングを可能にする、高次特徴変換層である。
PMT を基盤として,幾何学的組立作業のための新しいフレームワーク Proxy Match TransformeR (PMTR) を導入する。
我々は,Breaking Badの大規模3次元幾何形状集合ベンチマークデータセットを用いてPMTRの評価を行った。
論文 参考訳（メタデータ） (2024-07-15T08:50:02Z) - BiEquiFormer: Bi-Equivariant Representations for Global Point Cloud Registration [28.75341781515012]
本研究の目的は,グローバルポイントクラウド登録(PCR)の問題,すなわち,ポイントクラウド間の最適なアライメントを見つけることにある。
本研究では,現在最先端のディープラーニング手法が,任意の点の雲を空間に配置した場合に,大きな性能劣化に悩まされていることを示す。
論文 参考訳（メタデータ） (2024-07-11T17:58:10Z) - Uniform Transformation: Refining Latent Representation in Variational Autoencoders [7.4316292428754105]
本稿では,不規則な潜伏分布に対応するために,新しい適応型3段階一様変換(UT)モジュールを提案する。
この手法は不規則分布を潜在空間の均一分布に再構成することにより、潜在表現の絡み合いと解釈可能性を大幅に向上させる。
実験により,提案するUTモジュールの有効性を実証し,ベンチマークデータセット間の絡み合いの指標を改良した。
論文 参考訳（メタデータ） (2024-07-02T21:46:23Z) - Adaptive Spot-Guided Transformer for Consistent Local Feature Matching [64.30749838423922]
局所的特徴マッチングのための適応スポットガイド変換器(ASTR)を提案する。
ASTRは、統一された粗いアーキテクチャにおける局所的な一貫性とスケールのバリエーションをモデル化する。
論文 参考訳（メタデータ） (2023-03-29T12:28:01Z) - Joint Spatial-Temporal and Appearance Modeling with Transformer for
Multiple Object Tracking [59.79252390626194]
本稿ではTransSTAMという新しい手法を提案する。Transformerを利用して各オブジェクトの外観特徴とオブジェクト間の空間的時間的関係の両方をモデル化する。
提案手法はMOT16, MOT17, MOT20を含む複数の公開ベンチマークで評価され, IDF1とHOTAの両方で明確な性能向上を実現している。
論文 参考訳（メタデータ） (2022-05-31T01:19:18Z) - Semantic-aligned Fusion Transformer for One-shot Object Detection [18.58772037047498]
ワンショットオブジェクト検出は、与えられた1つのインスタンスに従って新しいオブジェクトを検出することを目的としている。
現在のアプローチでは、直接転送可能なメタ知識を得るために様々な特徴融合を探索している。
本稿では,これらの問題を解決するために,Semantic-aligned Fusion Transformer (SaFT) というシンプルなアーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-03-17T05:38:47Z) - Cost Aggregation Is All You Need for Few-Shot Segmentation [28.23753949369226]
本稿では,数発のセグメンテーションタスクに取り組むために,変圧器を用いたボリュームアグリゲーション(VAT)を提案する。
VATは畳み込みとトランスフォーマーの両方を使用して、クエリとサポートの間の高次元相関マップを効率的に処理する。
提案手法は,意味対応タスクにおける標準ベンチマークにおいても,最先端の性能を実現する。
論文 参考訳（メタデータ） (2021-12-22T06:18:51Z) - DeepUME: Learning the Universal Manifold Embedding for Robust Point
Cloud Registration [7.056222499095849]
本稿では,Universal Mani-fold Embedding (UME)法とディープニューラルネットワークの融合を提案する。
2つのフレームワークは、DeepUMEという名前の単一の統一フレームワークに統合され、エンドツーエンドと教師なしの方法でトレーニングされる。
提案手法は,様々なシナリオにおいて最先端の登録手法よりも優れており,未知のデータセットに対してよく一般化されていることを示す。
論文 参考訳（メタデータ） (2021-12-18T14:06:42Z) - Frame Averaging for Invariant and Equivariant Network Design [50.87023773850824]
フレーム平均化(FA)は、既知の(バックボーン)アーキテクチャを新しい対称性タイプに不変あるいは同変に適応するためのフレームワークである。
FAモデルが最大表現力を持つことを示す。
我々は,新しいユニバーサルグラフニューラルネット(GNN),ユニバーサルユークリッド運動不変点クラウドネットワーク,およびユークリッド運動不変メッセージパッシング(MP)GNNを提案する。
論文 参考訳（メタデータ） (2021-10-07T11:05:23Z) - Deep Hough Voting for Robust Global Registration [52.40611370293272]
6次元変換パラメータ空間におけるハフ投票を利用した実世界の3Dスキャンのペア登録のための効率的なフレームワークを提案する。
提案手法は, 3DMatch と 3DLoMatch のベンチマークにおいて, KITTI odometry データセットで同等の性能を達成しながら, 最先端の手法よりも優れている。
論文 参考訳（メタデータ） (2021-09-09T14:38:06Z) - DeepGMR: Learning Latent Gaussian Mixture Models for Registration [113.74060941036664]
ポイントクラウドの登録は、3Dコンピュータビジョン、グラフィックス、ロボット工学の基本的な問題である。
本稿では,最初の学習ベース登録法であるDeep Gaussian Mixture Registration(DeepGMR)を紹介する。
提案手法は,最先端の幾何学的および学習的登録手法と比較して,良好な性能を示す。
論文 参考訳（メタデータ） (2020-08-20T17:25:16Z)
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。