論文の概要: Visual Loop Closure Detection Through Deep Graph Consensus

• arxiv url: http://arxiv.org/abs/2505.21754v1
• Date: Tue, 27 May 2025 20:42:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-29 17:35:50.289512
• Title: Visual Loop Closure Detection Through Deep Graph Consensus
• Title（参考訳）: Deep Graph Consensusによる視覚ループクロージャ検出
• Authors: Martin Büchner, Liza Dahiya, Simon Dorer, Vipul Ramtekkar, Kenji Nishimiya, Daniele Cattaneo, Abhinav Valada,
• Abstract要約: 位置認識によって得られる視覚的類似の幾何を利用してループ閉鎖コンセンサスを推定するグラフニューラルネットワークアーキテクチャであるLoopGNNを導入する。 提案手法は,高精度なリコールを維持しながら高精度な推定値が得られる。
• 参考スコア（独自算出の注目度）: 7.744347341643204
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Visual loop closure detection traditionally relies on place recognition methods to retrieve candidate loops that are validated using computationally expensive RANSAC-based geometric verification. As false positive loop closures significantly degrade downstream pose graph estimates, verifying a large number of candidates in online simultaneous localization and mapping scenarios is constrained by limited time and compute resources. While most deep loop closure detection approaches only operate on pairs of keyframes, we relax this constraint by considering neighborhoods of multiple keyframes when detecting loops. In this work, we introduce LoopGNN, a graph neural network architecture that estimates loop closure consensus by leveraging cliques of visually similar keyframes retrieved through place recognition. By propagating deep feature encodings among nodes of the clique, our method yields high-precision estimates while maintaining high recall. Extensive experimental evaluations on the TartanDrive 2.0 and NCLT datasets demonstrate that LoopGNN outperforms traditional baselines. Additionally, an ablation study across various keypoint extractors demonstrates that our method is robust, regardless of the type of deep feature encodings used, and exhibits higher computational efficiency compared to classical geometric verification baselines. We release our code, supplementary material, and keyframe data at https://loopgnn.cs.uni-freiburg.de.
• Abstract（参考訳）: 視覚ループのクロージャ検出は伝統的に、計算に高価なRANSACに基づく幾何的検証を用いて検証される候補ループを検索する場所認識法に依存している。 偽陽性ループ閉鎖がダウンストリームのポーズグラフ推定を著しく低下させるため、オンラインの同時ローカライゼーションとマッピングシナリオにおける多数の候補を検証することは、限られた時間と計算資源によって制限される。 多くのディープループ閉包検出手法はキーフレームのペアでのみ動作するが、ループを検出する際に複数のキーフレームの近傍を考慮することで、この制約を緩和する。 本研究では,位置認識によって取得した視覚的に類似したキーフレームの傾斜を利用して,ループクロージャのコンセンサスを推定するグラフニューラルネットワークアーキテクチャであるLoopGNNを紹介する。 クランプのノード間での深い特徴符号化を伝播することにより,高いリコールを維持しながら高精度な推定値が得られる。 TartanDrive 2.0とNCLTデータセットに関する大規模な実験的評価は、LoopGNNが従来のベースラインより優れていることを示している。 さらに, 各種キーポイント抽出器のアブレーション実験により, 使用するディープ特徴符号化の種類に関係なく, 提案手法が堅牢であることを示し, 古典的幾何検定ベースラインよりも高い計算効率を示す。 コード、補足資料、およびキーフレームデータはhttps://loopgnn.cs.uni-freiburg.de.comで公開しています。

関連論文リスト

• REGRACE: A Robust and Efficient Graph-based Re-localization Algorithm using Consistency Evaluation [23.41000678070751]
  ループ閉包は、ドリフトを補正し、一貫した地図を作成するのに不可欠である。 高精度な位置認識のための高密度点雲を用いた現在の手法は、計算コストの高いスキャン・スキャン・スキャン比較のため、うまくスケールしない。 我々は、スケーラビリティと再ローカライゼーションにおける視点差のこれらの課題に対処する新しいアプローチであるREGRACEを紹介する。
  論文  参考訳（メタデータ） (2025-03-05T15:32:38Z)
• LiDAR Loop Closure Detection using Semantic Graphs with Graph Attention Networks [12.33137981696787]
  本稿では,グラフ注意ニューラルネットワークを用いてセマンティックグラフを符号化するループ閉鎖検出アルゴリズムを提案する。 次に、セマンティック登録を用いて6DoF相対的なポーズ制約を推定する。 コミュニティの利益のために,提案アルゴリズムの完全な実装をオープンソース化した。
  論文  参考訳（メタデータ） (2025-01-31T18:36:04Z)
• GV-Bench: Benchmarking Local Feature Matching for Geometric Verification of Long-term Loop Closure Detection [32.54601978758081]
  ループクロージャは軌道推定における正しいドリフトを補正し、グローバルに一貫したマップを構築する。 偽ループ閉鎖は致命的であり、堅牢性を保証するための追加のステップとして検証が必要である。 本稿では,長期条件下でのループ閉鎖検出の幾何的検証を対象とする統一ベンチマークを提案する。
  論文  参考訳（メタデータ） (2024-07-16T14:05:19Z)
• Deep Homography Estimation for Visual Place Recognition [49.235432979736395]
  本稿では,変換器を用いたディープホモグラフィー推定(DHE)ネットワークを提案する。 バックボーンネットワークによって抽出された濃密な特徴写像を入力とし、高速で学習可能な幾何的検証のためにホモグラフィーに適合する。 ベンチマークデータセットを用いた実験により,本手法はいくつかの最先端手法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-02-25T13:22:17Z)
• Learning Feature Matching via Matchable Keypoint-Assisted Graph Neural Network [52.29330138835208]
  画像のペア間の局所的な特徴の正確なマッチングは、コンピュータビジョンの課題である。 従来の研究では、注意に基づくグラフニューラルネットワーク(GNN)と、画像内のキーポイントに完全に接続されたグラフを使用するのが一般的だった。 本稿では,非繰り返しキーポイントをバイパスし,マッチング可能なキーポイントを利用してメッセージパッシングを誘導する,疎注意に基づくGNNアーキテクチャであるMaKeGNNを提案する。
  論文  参考訳（メタデータ） (2023-07-04T02:50:44Z)
• Benchmarking Node Outlier Detection on Graphs [90.29966986023403]
  グラフの外れ値検出は、多くのアプリケーションにおいて、新しいが重要な機械学習タスクである。 UNODと呼ばれるグラフに対して、最初の包括的教師なしノード外乱検出ベンチマークを示す。
  論文  参考訳（メタデータ） (2022-06-21T01:46:38Z)
• Accurate Grid Keypoint Learning for Efficient Video Prediction [87.71109421608232]
  キーポイントベースのビデオ予測手法は、トレーニングやデプロイメントにおいて、かなりの計算資源を消費することができる。 本稿では,長期的効率的な映像予測のための頑健で説明可能な中間キーポイント表現を目的とした,新しいグリッドキーポイント学習フレームワークを設計する。 提案手法は,計算資源の98%以上を節約しつつ,最先端のビデオ予測手法よりも優れていた。
  論文  参考訳（メタデータ） (2021-07-28T05:04:30Z)
• Fast and Incremental Loop Closure Detection with Deep Features and Proximity Graphs [13.328790865796224]
  本稿では、FILD++という名前の外観に基づくループクロージャ検出パイプラインを提案する。 システムは連続した画像によって供給され、単一の畳み込みニューラルネットワークを2回通すことで、大域的および局所的な深い特徴を抽出する。 画像と画像のペアリングは、局所的な特徴を利用して空間情報を評価する。
  論文  参考訳（メタデータ） (2020-09-29T02:42:47Z)
• Learning to Hash with Graph Neural Networks for Recommender Systems [103.82479899868191]
  グラフ表現学習は、大規模に高品質な候補探索をサポートすることに多くの注目を集めている。 ユーザ・イテム相互作用ネットワークにおけるオブジェクトの埋め込みベクトルの学習の有効性にもかかわらず、連続的な埋め込み空間におけるユーザの好みを推測する計算コストは膨大である。 連続的かつ離散的なコードとを協調的に学習するための,単純かつ効果的な離散表現学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-04T06:59:56Z)

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。