論文の概要: LoGDesc: Local geometric features aggregation for robust point cloud registration

• arxiv url: http://arxiv.org/abs/2410.02420v1
• Date: Thu, 3 Oct 2024 12:11:22 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-04 03:20:51.350274
• Title: LoGDesc: Local geometric features aggregation for robust point cloud registration
• Title（参考訳）: LoGDesc:ロバストポイントクラウド登録のための局所幾何学的特徴集約
• Authors: Karim Slimani, Brahim Tamadazte, Catherine Achard,
• Abstract要約: 本稿では,3次元点マッチングと点雲登録のためのハイブリッドディスクリプタを提案する。 局所幾何学的性質と学習に基づく特徴伝搬を各点の近傍構造記述に結合する。
• 参考スコア（独自算出の注目度）: 4.888434990566421
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper introduces a new hybrid descriptor for 3D point matching and point cloud registration, combining local geometrical properties and learning-based feature propagation for each point's neighborhood structure description. The proposed architecture first extracts prior geometrical information by computing each point's planarity, anisotropy, and omnivariance using a Principal Components Analysis (PCA). This prior information is completed by a descriptor based on the normal vectors estimated thanks to constructing a neighborhood based on triangles. The final geometrical descriptor is propagated between the points using local graph convolutions and attention mechanisms. The new feature extractor is evaluated on ModelNet40, Bunny Stanford dataset, KITTI and MVP (Multi-View Partial)-RG for point cloud registration and shows interesting results, particularly on noisy and low overlapping point clouds.
• Abstract（参考訳）: 本稿では,各点の近傍構造記述に局所的幾何学的性質と学習に基づく特徴伝搬を組み合わせた3次元点マッチングと点雲登録のためのハイブリッドディスクリプタを提案する。 提案アーキテクチャはまず,主成分分析 (PCA) を用いて各点の平面性, 異方性, 均一性を計算することによって, 先行幾何学情報を抽出する。 この事前情報は、三角形に基づく近傍の構築により推定される正規ベクトルに基づいて記述子によって完成される。 最終幾何学的記述子は局所グラフ畳み込みとアテンション機構を用いて点間に伝播する。 新しい特徴抽出器は、ポイントクラウド登録のためのModelNet40、Bunny Stanfordデータセット、KITTI、MVP(Multi-View partial)-RGで評価され、特にノイズと低い重複点クラウドにおいて興味深い結果を示す。

関連論文リスト

• Open-Vocabulary Octree-Graph for 3D Scene Understanding [54.11828083068082]
  Octree-Graphはオープンな3Dシーン理解のための新しいシーン表現である。 セマンティクスを記憶し、その形状に応じてオブジェクトの占有度を調節するアダプティブ・オクツリー構造を開発する。
  論文  参考訳（メタデータ） (2024-11-25T10:14:10Z)
• Deep Semantic Graph Matching for Large-scale Outdoor Point Clouds Registration [22.308070598885532]
  我々は、ポイントクラウド登録問題をセマンティックインスタンスマッチングと登録タスクとして扱う。 大規模屋外クラウド登録のためのディープセマンティックグラフマッチング法(DeepSGM)を提案する。 KITTIオドメトリデータセットで行った実験結果から,提案手法が登録性能を向上させることが示された。
  論文  参考訳（メタデータ） (2023-08-10T03:07:28Z)
• PointAttN: You Only Need Attention for Point Cloud Completion [89.88766317412052]
  ポイント・クラウド・コンプリート(Point cloud completion)とは、部分的な3次元ポイント・クラウドから3次元の形状を完成させることである。 そこで我々は,kNNを除去するために,ポイントクラウドをポイント単位に処理する新しいニューラルネットワークを提案する。 提案するフレームワークであるPointAttNはシンプルで簡潔で効果的であり、3次元形状の構造情報を正確に捉えることができる。
  論文  参考訳（メタデータ） (2022-03-16T09:20:01Z)
• PAPooling: Graph-based Position Adaptive Aggregation of Local Geometry in Point Clouds [15.878533142927102]
  PaPoolingは、新しいグラフ表現を用いて局所点間の空間関係を明示的にモデル化する。 位置適応的な方法で特徴を集約し、集約された特徴の位置感応的な表現を可能にする。 計算オーバーヘッドを最小限に抑えながら、予測精度を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2021-11-28T07:26:55Z)
• SnowflakeNet: Point Cloud Completion by Snowflake Point Deconvolution with Skip-Transformer [54.45987960347304]
  完全点雲を生成するために,Snowflake Point Deconvolution (SPD) を用いたSnowflakeNetを提案する。 SPDは、局所的に最も適した点分割パターンを学習する。 我々の実験結果は,広く使用されているベンチマークにおいて,最先端のクラウド補完手法よりも優れていた。
  論文  参考訳（メタデータ） (2021-08-10T04:33:37Z)
• UPDesc: Unsupervised Point Descriptor Learning for Robust Registration [54.95201961399334]
  UPDescは、ロバストポイントクラウド登録のためのポイント記述子を学習するための教師なしの方法である。 学習した記述子は既存の教師なし手法よりも優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2021-08-05T17:11:08Z)
• ABD-Net: Attention Based Decomposition Network for 3D Point Cloud Decomposition [1.3999481573773074]
  本稿では,ポイントクラウド分解のためのアテンションベース分解ネットワーク(ABD-Net)を提案する。 点雲の原始形状に基づく注意特徴を用いた3次元オブジェクト分類の性能向上を示す。
  論文  参考訳（メタデータ） (2021-07-09T08:39:30Z)
• Robust Kernel-based Feature Representation for 3D Point Cloud Analysis via Circular Graph Convolutional Network [2.42919716430661]
  本稿では,回転,密度,スケール変動に堅牢な新しい局所特徴記述法を提案する。 局所記述子の表現を改善するために,グローバルアグリゲーション手法を提案する。 本手法は最先端手法と比較して優れた性能を示す。
  論文  参考訳（メタデータ） (2020-12-22T18:02:57Z)
• ODFNet: Using orientation distribution functions to characterize 3D point clouds [0.0]
  点まわりの点配向分布を利用して、点群の表現力のある局所近傍表現を得ます。 新しい ODFNet モデルは ModelNet40 と ScanObjectNN データセットのオブジェクト分類における最先端の精度を実現する。
  論文  参考訳（メタデータ） (2020-12-08T19:54:20Z)
• PMP-Net: Point Cloud Completion by Learning Multi-step Point Moving Paths [54.459879603473034]
  我々はPMP-Netと呼ばれる新しいニューラルネットワークを設計し、地球移動体の動作を模倣する。 不完全な入力の各点を移動させ、ポイントクラウドを完結させ、ポイント移動パスの合計距離が最も短くなる。 点レベルの厳密でユニークな対応を学習し、不完全な形状と完全なターゲットの間の詳細なトポロジーと構造的関係を捉えることができる。
  論文  参考訳（メタデータ） (2020-12-07T01:34:38Z)
• Refinement of Predicted Missing Parts Enhance Point Cloud Completion [62.997667081978825]
  点雲完了は、部分的な観測から3次元形状の点集合表現を用いて完全な幾何学を予測するタスクである。 従来のアプローチでは、不完全点集合によって供給されるエンコーダ・デコーダモデルにより、点雲全体を直接推定するニューラルネットワークが提案されていた。 本稿では、欠落した幾何を計算し、既知の入力と予測点クラウドを融合することに焦点を当てたエンドツーエンドニューラル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） (2020-10-08T22:01:23Z)

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。