Fugu-MT 論文翻訳(概要): GERA: Geometric Embedding for Efficient Point Registration Analysis

論文の概要: GERA: Geometric Embedding for Efficient Point Registration Analysis

arxiv url: http://arxiv.org/abs/2410.00589v1
Date: Tue, 1 Oct 2024 11:19:56 GMT
ステータス: 処理完了
システム内更新日: 2024-11-05 04:47:16.896540
Title: GERA: Geometric Embedding for Efficient Point Registration Analysis
Title（参考訳）: GERA: 効率的な点登録解析のための幾何学的埋め込み
Authors: Geng Li, Haozhi Cao, Mingyang Liu, Shenghai Yuan, Jianfei Yang,
Abstract要約: 本稿では, 純幾何学的アーキテクチャを活用し, 幾何学的情報をオフラインで構築する新たなポイントクラウド登録ネットワークを提案する。本手法は, 3次元座標入力をオフライン構成の幾何符号化に置き換え, 一般化と安定性を改善した最初の方法である。
参考スコア（独自算出の注目度）: 20.690695788384517
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Point cloud registration aims to provide estimated transformations to align point clouds, which plays a crucial role in pose estimation of various navigation systems, such as surgical guidance systems and autonomous vehicles. Despite the impressive performance of recent models on benchmark datasets, many rely on complex modules like KPConv and Transformers, which impose significant computational and memory demands. These requirements hinder their practical application, particularly in resource-constrained environments such as mobile robotics. In this paper, we propose a novel point cloud registration network that leverages a pure MLP architecture, constructing geometric information offline. This approach eliminates the computational and memory burdens associated with traditional complex feature extractors and significantly reduces inference time and resource consumption. Our method is the first to replace 3D coordinate inputs with offline-constructed geometric encoding, improving generalization and stability, as demonstrated by Maximum Mean Discrepancy (MMD) comparisons. This efficient and accurate geometric representation marks a significant advancement in point cloud analysis, particularly for applications requiring fast and reliability.
Abstract（参考訳）: ポイントクラウド登録は,手術誘導システムや自動運転車など,さまざまなナビゲーションシステムの推定を行う上で重要な役割を担う,ポイントクラウドの整合性を評価するための推定変換の提供を目的としている。 KPConvやTransformersのような複雑なモジュールに依存しており、計算とメモリの要求がかなり高い。これらの要件は、特に移動ロボットのような資源に制約のある環境での実践的応用を妨げる。本稿では,MLPアーキテクチャを生かした新しいポイントクラウド登録ネットワークを提案し,幾何学的情報をオフラインで構築する。このアプローチは、従来の複雑な特徴抽出器に関連する計算とメモリの負担を排除し、推論時間とリソース消費を大幅に削減する。本手法は, 3次元座標入力をオフライン構成の幾何符号化に置き換え, 一般化と安定性を最大平均離散性(MMD)比較で実証した。この効率的で正確な幾何学的表現は、特に高速で信頼性を必要とするアプリケーションにおいて、点雲解析の大幅な進歩を示す。

関連論文リスト

PointMT: Efficient Point Cloud Analysis with Hybrid MLP-Transformer Architecture [46.266960248570086]
本研究は,効率的な特徴集約のための複雑局所的注意機構を導入することで,自己注意機構の二次的複雑さに取り組む。また,各チャネルの注目重量分布を適応的に調整するパラメータフリーチャネル温度適応機構を導入する。我々は,PointMTが性能と精度の最適なバランスを維持しつつ,最先端手法に匹敵する性能を実現することを示す。
論文参考訳（メタデータ） (2024-08-10T10:16:03Z)
PointRWKV: Efficient RWKV-Like Model for Hierarchical Point Cloud Learning [56.14518823931901]
NLP分野におけるRWKVモデルから導かれる線形複雑性のモデルであるPointRWKVを提案する。まず,改良型マルチヘッド行列値状態を用いて,PointRWKVブロック内のグローバル処理機能について検討する。局所的な幾何学的特徴を同時に抽出するために,グラフ安定化器を用いた固定半径近傍グラフにおいて,点雲を効率的に符号化する並列分岐を設計する。
論文参考訳（メタデータ） (2024-05-24T05:02:51Z)
MEDPNet: Achieving High-Precision Adaptive Registration for Complex Die Castings [10.504847830252254]
本稿では,Multiscale Efficient Deep Closest Point (MEDPNet) と呼ばれる高精度適応型登録手法を提案する。 MEDPNet法は、効率的なDCP法を用いて粗大なダイカストポイントクラウドデータ登録を行い、次いでMDR法を用いて精度の高い登録を行う。提案手法は, 複雑なダイカスト点クラウドデータに適用した場合の, 最先端の幾何学的および学習的登録法と比較して, 優れた性能を示す。
論文参考訳（メタデータ） (2024-03-15T03:42:38Z)
Adaptive Point Transformer [88.28498667506165]
Adaptive Point Cloud Transformer (AdaPT) は、適応トークン選択機構によって強化された標準PTモデルである。 AdaPTは推論中のトークン数を動的に削減し、大きな点雲の効率的な処理を可能にする。
論文参考訳（メタデータ） (2024-01-26T13:24:45Z)
PointeNet: A Lightweight Framework for Effective and Efficient Point Cloud Analysis [28.54939134635978]
PointeNetは、ポイントクラウド分析に特化したネットワークである。本手法は,分類/分割ヘッドとシームレスに統合したり,市販の3Dオブジェクト検出ネットワークに埋め込んだりすることで,柔軟性を示す。 ModelNet40、ScanObjectNN、ShapeNet KITTI、およびシーンレベルのデータセットKITTIを含むオブジェクトレベルのデータセットの実験は、ポイントクラウド分析における最先端メソッドよりもPointeNetの方が優れたパフォーマンスを示している。
論文参考訳（メタデータ） (2023-12-20T03:34:48Z)
GAFAR: Graph-Attention Feature-Augmentation for Registration A Fast and Light-weight Point Set Registration Algorithm [12.592563880121816]
点雲の厳格な登録はコンピュータビジョンの根本的な問題ですコンピュータビジョンにおけるディープラーニングは、このトピックの研究に新たな動機をもたらした。本稿では,アテンション機構を用いた高速で軽量なネットワークアーキテクチャを提案する。
論文参考訳（メタデータ） (2023-07-05T14:50:36Z)
AdaPoinTr: Diverse Point Cloud Completion with Adaptive Geometry-Aware Transformers [94.11915008006483]
本稿では,ポイントクラウドの完了をセット・ツー・セットの翻訳問題として再定義する手法を提案する。我々は、ポイントクラウド補完のためにTransformerエンコーダデコーダアーキテクチャを採用したPoinTrと呼ばれる新しいモデルを設計する。本手法は,PCNで6.53 CD,ShapeNet-55で0.81 CD,現実世界のKITTIで0.392 MMDを実現する。
論文参考訳（メタデータ） (2023-01-11T16:14:12Z)
PoinTr: Diverse Point Cloud Completion with Geometry-Aware Transformers [81.71904691925428]
本稿では,ポイントクラウドの完了をセット・ツー・セットの翻訳問題として再定義する手法を提案する。我々はまた、ポイントクラウド補完のためにトランスフォーマーエンコーダデコーダアーキテクチャを採用するPoinTrと呼ばれる新しいモデルも設計している。提案手法は,新しいベンチマークと既存ベンチマークの両方において,最先端の手法よりも優れた性能を示す。
論文参考訳（メタデータ） (2021-08-19T17:58:56Z)
Locally Aware Piecewise Transformation Fields for 3D Human Mesh Registration [67.69257782645789]
本論文では,3次元変換ベクトルを学習し,提案空間内の任意のクエリ点をリザーブ空間内の対応する位置にマップする部分変換場を提案する。パラメトリックモデルにネットワークのポーズを合わせることで、特に極端なポーズにおいて、より優れた登録品質が得られることを示す。
論文参考訳（メタデータ） (2021-04-16T15:16:09Z)
ePointDA: An End-to-End Simulation-to-Real Domain Adaptation Framework for LiDAR Point Cloud Segmentation [111.56730703473411]
LiDARデータ上でディープニューラルネットワーク(DNN)をトレーニングするには、大規模なポイントワイドアノテーションが必要である。シミュレーション・トゥ・リアル・ドメイン適応(SRDA)は、DNNを無制限の合成データと自動生成されたラベルで訓練する。 ePointDAは、自己教師付きドロップアウトノイズレンダリング、統計不変および空間適応型特徴アライメント、転送可能なセグメンテーション学習の3つのモジュールで構成されている。
論文参考訳（メタデータ） (2020-09-07T23:46:08Z)
IMU Preintegrated Features for Efficient Deep Inertial Odometry [0.0]
慣性計測装置(IMU)は、様々なガジェットやロボットプラットフォームで、ユビキタスな固有受容運動測定装置として利用可能である。これらのデータのみに基づく幾何学的変換やオードメトリの直接推論は難しい作業である。本稿では, 深部慣性計測における生IMUデータの代替として, IMUプリインテグレーション機能を提案する。
論文参考訳（メタデータ） (2020-07-06T17:58:35Z)

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。