論文の概要: LPRnet: A self-supervised registration network for LiDAR and photogrammetric point clouds

• arxiv url: http://arxiv.org/abs/2501.05669v1
• Date: Fri, 10 Jan 2025 02:36:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-13 15:26:43.405288
• Title: LPRnet: A self-supervised registration network for LiDAR and photogrammetric point clouds
• Title（参考訳）: LPRnet: LiDAR と Photogrammetric point cloud のための自己教師型登録ネットワーク
• Authors: Chen Wang, Yanfeng Gu, Xian Li,
• Abstract要約: LiDARとフォトグラムは、それぞれポイントクラウド取得のためのアクティブおよびパッシブリモートセンシング技術である。 感知機構、空間分布、座標系に根本的な違いがあるため、それらの点雲は密度、精度、ノイズ、重なり合いにおいて大きな違いを示す。 本稿では, マスク付きオートエンコーダをベースとした自己教師型登録ネットワークを提案し, 異種LiDARと光グラム点雲に着目した。
• 参考スコア（独自算出の注目度）: 38.42527849407057
• License:
• Abstract: LiDAR and photogrammetry are active and passive remote sensing techniques for point cloud acquisition, respectively, offering complementary advantages and heterogeneous. Due to the fundamental differences in sensing mechanisms, spatial distributions and coordinate systems, their point clouds exhibit significant discrepancies in density, precision, noise, and overlap. Coupled with the lack of ground truth for large-scale scenes, integrating the heterogeneous point clouds is a highly challenging task. This paper proposes a self-supervised registration network based on a masked autoencoder, focusing on heterogeneous LiDAR and photogrammetric point clouds. At its core, the method introduces a multi-scale masked training strategy to extract robust features from heterogeneous point clouds under self-supervision. To further enhance registration performance, a rotation-translation embedding module is designed to effectively capture the key features essential for accurate rigid transformations. Building upon the robust representations, a transformer-based architecture seamlessly integrates local and global features, fostering precise alignment across diverse point cloud datasets. The proposed method demonstrates strong feature extraction capabilities for both LiDAR and photogrammetric point clouds, addressing the challenges of acquiring ground truth at the scene level. Experiments conducted on two real-world datasets validate the effectiveness of the proposed method in solving heterogeneous point cloud registration problems.
• Abstract（参考訳）: LiDARとフォトグラムは、それぞれポイントクラウド取得のためのアクティブおよびパッシブリモートセンシング技術であり、相補的な利点と不均一性を提供する。 感知機構、空間分布、座標系に根本的な違いがあるため、それらの点雲は密度、精度、ノイズ、重なり合いにおいて大きな違いを示す。 大規模なシーンの根底にある真実の欠如と相まって、異質な点雲を統合することは非常に難しい作業である。 本稿では, マスク付きオートエンコーダをベースとした自己教師型登録ネットワークを提案し, 異種LiDARと光グラム点雲に着目した。 その中核となるのは、自己監督下で不均一な点雲からロバストな特徴を抽出する、マルチスケールのマスク付きトレーニング戦略である。 登録性能をさらに向上するため、正確な剛性変換に必要な重要な特徴を効果的に捉えるために回転変換埋め込みモジュールが設計された。 堅牢な表現に基づいて、トランスフォーマーベースのアーキテクチャは、ローカルとグローバルの機能をシームレスに統合し、さまざまなポイントクラウドデータセット間の正確なアライメントを促進する。 提案手法は,LiDARとフォトグラム点雲の双方に強力な特徴抽出能力を示し,現場レベルでの真理取得の課題に対処する。 2つの実世界のデータセットで行った実験は、異種点雲登録問題の解法における提案手法の有効性を検証した。

関連論文リスト

• A Consistency-Aware Spot-Guided Transformer for Versatile and Hierarchical Point Cloud Registration [9.609585217048664]
  我々は整合性を考慮したスポット誘導変換器(CAST)を開発した。 CASTは、無関係な領域への干渉を避けるために、スポット誘導のクロスアテンションモジュールを組み込んでいる。 スパースキーポイントと高密度特徴の両方のための軽量な微細マッチングモジュールは、変換を正確に推定することができる。
  論文  参考訳（メタデータ） (2024-10-14T08:48:25Z)
• Point Cloud Compression with Implicit Neural Representations: A Unified Framework [54.119415852585306]
  我々は幾何学と属性の両方を扱える先駆的なクラウド圧縮フレームワークを提案する。 本フレームワークでは,2つの座標ベースニューラルネットワークを用いて,voxelized point cloudを暗黙的に表現する。 本手法は,既存の学習手法と比較して,高い普遍性を示す。
  論文  参考訳（メタデータ） (2024-05-19T09:19:40Z)
• Distribution-aware Interactive Attention Network and Large-scale Cloud Recognition Benchmark on FY-4A Satellite Image [24.09239785062109]
  我々は,正確なクラウド認識のための新しいデータセットを開発した。 領域適応法を用いて,70,419個の画像ラベル対を投影,時間分解能,空間分解能の点で整列する。 また,高解像度ブランチと並列クロスブランチにより画素レベルの詳細を保存できる分散対応インタラクティブアテンションネットワーク(DIAnet)を導入する。
  論文  参考訳（メタデータ） (2024-01-06T09:58:09Z)
• CLiSA: A Hierarchical Hybrid Transformer Model using Orthogonal Cross Attention for Satellite Image Cloud Segmentation [5.178465447325005]
  ディープラーニングアルゴリズムは画像セグメンテーション問題を解決するための有望なアプローチとして登場してきた。 本稿では,Lipschitz Stable Attention NetworkによるCLiSA - Cloudセグメンテーションという,効果的なクラウドマスク生成のためのディープラーニングモデルを提案する。 Landsat-8, Sentinel-2, Cartosat-2sを含む複数の衛星画像データセットの質的および定量的な結果を示す。
  論文  参考訳（メタデータ） (2023-11-29T09:31:31Z)
• Controllable Mesh Generation Through Sparse Latent Point Diffusion Models [105.83595545314334]
  メッシュ生成のための新しいスパース潜在点拡散モデルを設計する。 私たちの重要な洞察は、ポイントクラウドをメッシュの中間表現と見なし、代わりにポイントクラウドの分布をモデル化することです。 提案したスパース潜在点拡散モデルにより,生成品質と制御性において優れた性能が得られる。
  論文  参考訳（メタデータ） (2023-03-14T14:25:29Z)
• Data-driven Cloud Clustering via a Rotationally Invariant Autoencoder [10.660968055962325]
  自動回転不変クラウドクラスタリング(RICC)法について述べる。 大規模なデータセット内のクラウドイメージを教師なしの方法で整理する。 その結果、クラウドクラスタはクラウド物理の有意義な側面を捉えていることが示唆された。
  論文  参考訳（メタデータ） (2021-03-08T16:45:14Z)
• SPU-Net: Self-Supervised Point Cloud Upsampling by Coarse-to-Fine Reconstruction with Self-Projection Optimization [52.20602782690776]
  実際のスキャンされたスパースデータからトレーニング用の大規模なペアリングスパーススキャンポイントセットを得るのは高価で面倒です。 本研究では,SPU-Net と呼ばれる自己監視型点群アップサンプリングネットワークを提案する。 本研究では,合成データと実データの両方について様々な実験を行い,最先端の教師付き手法と同等の性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-12-08T14:14:09Z)
• 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)
• Pseudo-LiDAR Point Cloud Interpolation Based on 3D Motion Representation and Spatial Supervision [68.35777836993212]
  我々はPseudo-LiDAR点雲ネットワークを提案し、時間的および空間的に高品質な点雲列を生成する。 点雲間のシーンフローを活用することにより,提案ネットワークは3次元空間運動関係のより正確な表現を学習することができる。
  論文  参考訳（メタデータ） (2020-06-20T03:11:04Z)

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。