論文の概要: TDACloud: Point Cloud Recognition Using Topological Data Analysis

• arxiv url: http://arxiv.org/abs/2506.18725v1
• Date: Mon, 23 Jun 2025 14:59:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 19:06:37.040144
• Title: TDACloud: Point Cloud Recognition Using Topological Data Analysis
• Title（参考訳）: TDACloud: トポロジカルデータ分析を用いたポイントクラウド認識
• Authors: Anirban Ghosh, Ian Dahlin, Ayan Dutta,
• Abstract要約: 本稿では,点群から局所的な記述子抽出のための新しい手法TDACloudを提案する。 ボキセル化とは異なり,提案手法は原点雲を入力とし,固定サイズのTDAディスクリプタベクトルを出力する。 以上の結果から,雑音条件下での認識精度が向上し,大規模実世界の位置認識が可能となった。
• 参考スコア（独自算出の注目度）: 3.3693333349783923
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Point cloud-based object/place recognition remains a problem of interest in applications such as autonomous driving, scene reconstruction, and localization. Extracting meaningful local descriptors from a query point cloud that can be matched with the descriptors of the collected point clouds is a challenging problem. Furthermore, when the query point cloud is noisy or has been transformed (e.g., rotated), it adds to the complexity. To this end, we propose a novel methodology, named TDACloud, using Topological Data Analysis (TDA) for local descriptor extraction from a point cloud, which does not need resource-intensive GPU-based machine learning training. More specifically, we used the ATOL vectorization method to generate vectors for point clouds. Unlike voxelization, our proposed technique can take raw point clouds as inputs and outputs a fixed-size TDA-descriptor vector. To test the quality of the proposed TDACloud technique, we have implemented it on multiple real-world (e.g., Oxford RobotCar, KITTI-360) and realistic (e.g., ShapeNet) point cloud datasets for object and place recognition. We have also tested TDACloud on noisy and transformed test cases where the query point cloud has been scaled, translated, or rotated. Our results demonstrate high recognition accuracies in noisy conditions and large-scale real-world place recognition while outperforming the baselines by up to approximately 14%.
• Abstract（参考訳）: ポイントクラウドベースのオブジェクト/場所認識は、自律運転、シーン再構築、ローカライゼーションといったアプリケーションに対する関心の問題のままである。 収集されたポイントクラウドのディスクリプタと一致するクエリポイントクラウドから意味のあるローカルディスクリプタを抽出することは、難しい問題である。 さらに、クエリポイントクラウドがノイズの多い場合、あるいは変換された場合(例えば、ローテーション)、複雑さが増す。 そこで本研究では,TDACloudという新しい手法を提案する。TDA(Topological Data Analysis)を用いて,リソース集約型GPUベースの機械学習トレーニングを必要としないポイントクラウドから局所的な記述子抽出を行う。 より具体的には,ATOLベクトル化法を用いて点雲のベクトルを生成する。 ボキセル化とは異なり,提案手法は原点雲を入力とし,固定サイズのTDAディスクリプタベクトルを出力する。 提案手法の質をテストするため,複数の実世界(オックスフォード・ロボットカー,KITTI-360)と現実的(例えばシェープネット)のクラウド・データセットを用いてオブジェクトと場所の認識を行う。 また、クエリポイントクラウドがスケール、翻訳、ローテーションされた場合、ノイズや変換されたテストケースでTDACloudをテストしました。 以上の結果から,騒音条件下での認識精度が向上し,大規模な実世界の位置認識が可能となり,ベースラインは最大14%向上した。

関連論文リスト

• PointRegGPT: Boosting 3D Point Cloud Registration using Generative Point-Cloud Pairs for Training [90.06520673092702]
  生成点クラウドペアを用いた3Dポイントクラウドの登録をトレーニングのために促進するPointRegGPTを提案する。 我々の知る限り、これは屋内のクラウド登録のためのリアルなデータ生成を探求する最初の生成的アプローチである。
  論文  参考訳（メタデータ） (2024-07-19T06:29:57Z)
• Learning Continuous Implicit Field with Local Distance Indicator for Arbitrary-Scale Point Cloud Upsampling [55.05706827963042]
  点雲アップサンプリングは、疎点雲から密度が高く均一に分散した点集合を生成することを目的としている。 従来のメソッドは通常、スパースポイントクラウドをいくつかのローカルパッチ、アップサンプルパッチポイント、すべてのアップサンプルパッチにマージする。 そこで本研究では,点雲のアップサンプリングのために,局所的な先行者によって導かれる符号のない距離場を学習する手法を提案する。
  論文  参考訳（メタデータ） (2023-12-23T01:52:14Z)
• Test-Time Augmentation for 3D Point Cloud Classification and Segmentation [40.62640761825697]
  データ拡張は、ディープラーニングタスクのパフォーマンスを向上させるための強力なテクニックである。 本研究は,3次元点雲に対するTTA(Test-time augmentation)について検討する。
  論文  参考訳（メタデータ） (2023-11-22T04:31:09Z)
• PointCaM: Cut-and-Mix for Open-Set Point Cloud Learning [72.07350827773442]
  我々は,新しいポイントカット・アンド・ミクス機構を用いて,オープンセットのクラウド学習を解決することを提案する。 トレーニング段階では,Unknown-Point Simulatorを用いてアウト・オブ・ディストリビューションデータをシミュレートする。 Unknown-Point Estimatorモジュールは、既知のデータを識別するために、ポイントクラウドの機能コンテキストを活用することを学ぶ。
  論文  参考訳（メタデータ） (2022-12-05T03:53:51Z)
• Point-Voxel Adaptive Feature Abstraction for Robust Point Cloud Classification [6.40412293456886]
  本稿では, 様々な汚職下でのロバストな点雲分類のためのPV-Ada (Point-Voxel based Adaptive) を提案する。 ModelNet-Cデータセットの実験では、PV-Adaが最先端の手法より優れていることが示されている。
  論文  参考訳（メタデータ） (2022-10-27T14:49:53Z)
• Upsampling Autoencoder for Self-Supervised Point Cloud Learning [11.19408173558718]
  人間のアノテーションを使わずに、ポイントクラウド学習のための自己教師付き事前学習モデルを提案する。 アップサンプリング操作は、ポイントクラウドの高レベルセマンティック情報と低レベル幾何情報の両方を捕捉することをネットワークに促す。 我々のUAEは、形状分類、部分分割、点雲アップサンプリングタスクにおいて、従来の最先端手法よりも優れています。
  論文  参考訳（メタデータ） (2022-03-21T07:20:37Z)
• Unsupervised Point Cloud Representation Learning with Deep Neural Networks: A Survey [104.71816962689296]
  大規模クラウドラベリングの制約により,教師なしのポイントクラウド表現学習が注目されている。 本稿では、ディープニューラルネットワークを用いた教師なしポイントクラウド表現学習の総合的なレビューを提供する。
  論文  参考訳（メタデータ） (2022-02-28T07:46:05Z)
• DeepCLR: Correspondence-Less Architecture for Deep End-to-End Point Cloud Registration [12.471564670462344]
  この研究は、ディープニューラルネットワークを用いたポイントクラウド登録の問題に対処する。 重なり合うデータ内容を持つ2つの点雲間のアライメントを予測する手法を提案する。 提案手法は,最先端の精度と比較手法の最低実行時間を実現する。
  論文  参考訳（メタデータ） (2020-07-22T08:20:57Z)

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。