論文の概要: Matching Distance and Geometric Distribution Aided Learning Multiview Point Cloud Registration

• arxiv url: http://arxiv.org/abs/2505.03692v1
• Date: Tue, 06 May 2025 16:54:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-07 18:50:11.489095
• Title: Matching Distance and Geometric Distribution Aided Learning Multiview Point Cloud Registration
• Title（参考訳）: マルチビューポイントクラウド登録を支援するマッチング距離と幾何学的分布
• Authors: Shiqi Li, Jihua Zhu, Yifan Xie, Naiwen Hu, Di Wang,
• Abstract要約: マルチビューポイントクラウド登録は、ロボット工学、自動化、コンピュータビジョン分野において重要な役割を果たす。 ポーズグラフ構築の従来の方法は、しばしば完全に連結されたグラフを刈り取ったり、局所記述子から集約された大域的特徴を用いてスパースグラフを構築したりしていた。 我々は、点雲対間のマッチング距離から情報を抽出するネットワークモデルを設計する。 動作同期のために,データ駆動方式で絶対的なポーズを計算するニューラルネットワークモデルを提案する。
• 参考スコア（独自算出の注目度）: 15.594026254653276
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Multiview point cloud registration plays a crucial role in robotics, automation, and computer vision fields. This paper concentrates on pose graph construction and motion synchronization within multiview registration. Previous methods for pose graph construction often pruned fully connected graphs or constructed sparse graph using global feature aggregated from local descriptors, which may not consistently yield reliable results. To identify dependable pairs for pose graph construction, we design a network model that extracts information from the matching distance between point cloud pairs. For motion synchronization, we propose another neural network model to calculate the absolute pose in a data-driven manner, rather than optimizing inaccurate handcrafted loss functions. Our model takes into account geometric distribution information and employs a modified attention mechanism to facilitate flexible and reliable feature interaction. Experimental results on diverse indoor and outdoor datasets confirm the effectiveness and generalizability of our approach. The source code is available at https://github.com/Shi-Qi-Li/MDGD.
• Abstract（参考訳）: マルチビューポイントクラウド登録は、ロボット工学、自動化、コンピュータビジョン分野において重要な役割を果たす。 本稿では,マルチビュー登録におけるポーズグラフの構成と動作同期に着目した。 従来のポーズグラフ構築法は、しばしば完全に連結されたグラフを刈り取ったり、局所記述子から集約された大域的特徴を用いてスパースグラフを構築した。 ポーズグラフ構築のための信頼度の高いペアを特定するために,ポイントクラウドペア間のマッチング距離から情報を抽出するネットワークモデルを設計する。 動作同期のために、不正確な手作り損失関数を最適化するのではなく、絶対的なポーズをデータ駆動で計算する別のニューラルネットワークモデルを提案する。 本モデルでは, 幾何分布情報を考慮し, 柔軟かつ信頼性の高い特徴相互作用を容易にするために, 改良されたアテンション機構を用いる。 屋内および屋外の多様なデータセットに対する実験結果から,本手法の有効性と一般化性が確認された。 ソースコードはhttps://github.com/Shi-Qi-Li/MDGDで入手できる。

関連論文リスト

• Structured Cooperative Learning with Graphical Model Priors [98.53322192624594]
  ローカルデータに制限のある分散デバイス上で、さまざまなタスクに対してパーソナライズされたモデルをトレーニングする方法を研究する。 本稿では,デバイス間の協調グラフをグラフィカルモデルにより生成する「構造化協調学習(SCooL)」を提案する。 SCooLを評価し,既存の分散学習手法と比較した。
  論文  参考訳（メタデータ） (2023-06-16T02:41:31Z)
• Distributed Learning over Networks with Graph-Attention-Based Personalization [49.90052709285814]
  分散ディープラーニングのためのグラフベースパーソナライズアルゴリズム(GATTA)を提案する。 特に、各エージェントのパーソナライズされたモデルは、グローバルな部分とノード固有の部分で構成される。 グラフ内の各エージェントを1つのノードとして扱うことにより、ノード固有のパラメータを特徴として扱うことにより、グラフアテンション機構の利点を継承することができる。
  論文  参考訳（メタデータ） (2023-05-22T13:48:30Z)
• Learnable Graph Matching: A Practical Paradigm for Data Association [74.28753343714858]
  これらの問題に対処するための一般的な学習可能なグラフマッチング法を提案する。 提案手法は,複数のMOTデータセット上での最先端性能を実現する。 画像マッチングでは,一般的な屋内データセットであるScanNetで最先端の手法より優れている。
  論文  参考訳（メタデータ） (2023-03-27T17:39:00Z)
• Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
  長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。 完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。 本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-20T14:41:37Z)
• PGCN: Progressive Graph Convolutional Networks for Spatial-Temporal Traffic Forecasting [4.14360329494344]
  我々は、プログレッシブグラフ畳み込みネットワーク(PGCN)と呼ばれる新しいトラフィック予測フレームワークを提案する。 PGCNは、トレーニングおよびテストフェーズ中にオンライン入力データに段階的に適応することで、グラフのセットを構築する。 提案したモデルでは,すべてのデータセットの一貫性を保ちながら,最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2022-02-18T02:15:44Z)
• PGGANet: Pose Guided Graph Attention Network for Person Re-identification [0.0]
  人物再識別(ReID)は、異なるカメラで撮影された画像から人物を回収することを目的としている。 局所的な特徴と人像のグローバルな特徴を併用することで、人物の検索に堅牢な特徴表現を与えることができることが証明されている。 本研究では,ポーズガイド付きグラフアテンションネットワーク,グローバル機能のための1つのブランチ,中粒体機能のための1つのブランチ,粒状キーポイント機能のための1つのブランチからなるマルチブランチアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-11-29T09:47:39Z)
• Mutually exciting point process graphs for modelling dynamic networks [0.0]
  相互励起点過程グラフ(MEG)と呼ばれる動的ネットワークのための新しいモデルのクラスが提案される。 MEGは、Dyadicマーク付きポイントプロセスのためのスケーラブルなネットワークワイド統計モデルであり、異常検出に使用できる。 このモデルはシミュレーショングラフと実世界のコンピュータネットワークデータセット上でテストされ、優れた性能を示す。
  論文  参考訳（メタデータ） (2021-02-11T10:14:55Z)
• Distributed Training of Graph Convolutional Networks using Subgraph Approximation [72.89940126490715]
  本稿では,グラフの複数の分割にまたがる失われる情報をサブグラフ近似スキームで緩和するトレーニング戦略を提案する。 サブグラフ近似アプローチは、分散トレーニングシステムが単一マシン精度で収束するのに役立つ。
  論文  参考訳（メタデータ） (2020-12-09T09:23:49Z)

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。