論文の概要: HOTFLoc++: End-to-End Hierarchical LiDAR Place Recognition, Re-Ranking, and 6-DoF Metric Localisation in Forests

• arxiv url: http://arxiv.org/abs/2511.09170v1
• Date: Thu, 13 Nov 2025 01:37:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-13 22:34:54.444991
• Title: HOTFLoc++: End-to-End Hierarchical LiDAR Place Recognition, Re-Ranking, and 6-DoF Metric Localisation in Forests
• Title（参考訳）: HOTFLoc++:森林におけるエンド・ツー・エンド階層のLiDAR位置認識、再配置、および6-DoFメートル法
• Authors: Ethan Griffiths, Maryam Haghighat, Simon Denman, Clinton Fookes, Milad Ramezani,
• Abstract要約: HOTFLoc++は、森林におけるLiDARの位置認識、再ランク付け、および6-DoFメトリックローカライゼーションのためのエンドツーエンドフレームワークである。 劣化した単一スケール対応の存在下での再ランクの失敗を低減するための,学習可能な多スケール幾何検証モジュールを提案する。
• 参考スコア（独自算出の注目度）: 28.2471069671262
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This article presents HOTFLoc++, an end-to-end framework for LiDAR place recognition, re-ranking, and 6-DoF metric localisation in forests. Leveraging an octree-based transformer, our approach extracts hierarchical local descriptors at multiple granularities to increase robustness to clutter, self-similarity, and viewpoint changes in challenging scenarios, including ground-to-ground and ground-to-aerial in forest and urban environments. We propose a learnable multi-scale geometric verification module to reduce re-ranking failures in the presence of degraded single-scale correspondences. Our coarse-to-fine registration approach achieves comparable or lower localisation errors to baselines, with runtime improvements of two orders of magnitude over RANSAC for dense point clouds. Experimental results on public datasets show the superiority of our approach compared to state-of-the-art methods, achieving an average Recall@1 of 90.7% on CS-Wild-Places: an improvement of 29.6 percentage points over baselines, while maintaining high performance on single-source benchmarks with an average Recall@1 of 91.7% and 96.0% on Wild-Places and MulRan, respectively. Our method achieves under 2 m and 5 degrees error for 97.2% of 6-DoF registration attempts, with our multi-scale re-ranking module reducing localisation errors by ~2$\times$ on average. The code will be available upon acceptance.
• Abstract（参考訳）: 本稿では、森林におけるLiDAR位置認識のためのエンドツーエンドフレームワークであるHOTFLoc++について述べる。 筆者らは,オクツリーをベースとしたトランスフォーマーを用いて複数の粒度の階層的局所記述子を抽出し,森林・都市環境における地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地中地 劣化した単一スケール対応の存在下での再ランクの失敗を低減するための,学習可能な多スケール幾何検証モジュールを提案する。 我々の粗大な登録手法は、RANSACよりも2桁の精度で高密度な点雲に対して、ベースラインのローカライズエラーを同等または低い精度で達成する。 CS-Wild-Placesでは平均90.7%,ベースラインでは29.6ポイント,Wild-Placesでは平均91.7%,MulRanでは96.0%,単一ソースベンチマークでは高いパフォーマンスを維持した。 本手法は,6-DoF登録の97.2%に対して2m,5°以下の誤差を達成し,ローカライズエラーを平均2$\times$で削減する。 コードは受理後利用可能になる。

関連論文リスト

• Machine and Deep Learning for Indoor UWB Jammer Localization [3.728528592481562]
  ウルトラワイドバンド(UWB)のローカライゼーションは、センチスケールの精度を提供するが、攻撃の妨害には弱い。 さまざまな分類と回帰指標を使用して、パフォーマンスを厳格に評価する。 CIR特性の整合に勾配反転層を利用するドメイン・アドバイサルのConvNeXtオートエンコーダを提案する。
  論文  参考訳（メタデータ） (2025-11-03T18:26:14Z)
• Rethinking LLM Evaluation: Can We Evaluate LLMs with 200x Less Data? [82.09573568241724]
  EssenceBenchは反復遺伝的アルゴリズム(GA)を利用した粗粒度フレームワーク 提案手法は, 再構成誤差が低く, 効率が著しく向上した, 優れた圧縮結果が得られる。 HellaSwagベンチマーク(10Kサンプル)では,25倍少ないサンプルを用いて,全モデルが5%以内の順位を保ち,わずか200倍少ないサンプルを用いて,95%未満のランキング保持シフトを達成している。
  論文  参考訳（メタデータ） (2025-10-12T05:38:10Z)
• HOTFormerLoc: Hierarchical Octree Transformer for Versatile Lidar Place Recognition Across Ground and Aerial Views [30.77381516091565]
  大規模3次元位置認識のための新規で汎用的な階層型OctoreeベースのTransformerであるHOTFormerLocを提案する。 粒度にまたがる空間的特徴と意味的特徴をキャプチャするオクツリーに基づくマルチスケールアテンション機構を提案する。 CS-Wild-Placesは、密林で捉えた空中および地上のライダースキャンの点雲データを含む、新しい3次元オープンソースデータセットである。
  論文  参考訳（メタデータ） (2025-03-11T07:59:45Z)
• ForestLPR: LiDAR Place Recognition in Forests Attentioning Multiple BEV Density Images [38.727720300337296]
  本研究では,自然林におけるロバストなLiDARを用いた位置認識手法であるフォレストLPRを提案する。 異なる高さの森の地形の断面画像には、ある場所を再訪するために必要な情報が含まれている。 提案手法では,視覚変換器を共有バックボーンとして使用し,局所記述子の集合を生成する。
  論文  参考訳（メタデータ） (2025-03-06T14:24:22Z)
• Interpreting Object-level Foundation Models via Visual Precision Search [54.575247537324344]
  より少ない領域で正確な属性マップを生成する視覚的精度探索法を提案する。 本研究では,DINO と Florence-2 の SOTA に対するオブジェクトレベルのタスク解釈可能性の向上を,様々な評価指標で示す。 提案手法は,複数の評価指標にまたがる既存の手法を超越して,視覚的接地や物体検出タスクにおける障害を解釈することができる。
  論文  参考訳（メタデータ） (2024-11-25T08:54:54Z)
• Ensemble learning for uncertainty estimation with application to the correction of satellite precipitation products [3.8623569699070353]
  そこで我々は,9つの定量値に基づくアンサンブル学習装置を導入し,降水データセット作成のギャップに対処する。 提案手法は, 衛星の降水量から予測器の数を削減し, 特徴工学的手法を取り入れたものである。 QRとQRNNのアンサンブル学習は、0.025から0.975までの様々な研究された量子レベルで最高の結果をもたらし、基準法を3.91%から8.95%に上回った。
  論文  参考訳（メタデータ） (2024-03-14T17:45:56Z)
• LoLep: Single-View View Synthesis with Locally-Learned Planes and Self-Attention Occlusion Inference [66.45326873274908]
  本稿では,1枚のRGB画像から局所学習平面を回帰してシーンを正確に表現するLoLepを提案する。 MINEと比較して、LPIPSは4.8%-9.0%、RVは73.9%-83.5%である。
  論文  参考訳（メタデータ） (2023-07-23T03:38:55Z)

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。