論文の概要: Aerial-ground LiDAR place recognition with patch-level self-supervised learning and expanded reciprocal re-ranking

• arxiv url: http://arxiv.org/abs/2606.18583v1
• Date: Wed, 17 Jun 2026 01:22:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 17:16:50.948763
• Title: Aerial-ground LiDAR place recognition with patch-level self-supervised learning and expanded reciprocal re-ranking
• Title（参考訳）: パッチレベルの自己教師付き学習と相互再ランクの拡張による空中LiDAR位置認識
• Authors: Yandi Yang, Xianghong Zou, Jianping Li, Haofeng Xie, Saurav Uprety, Hongzhou Yang, Naser El-Sheimy,
• Abstract要約: 地上レベルのLiDARの位置認識は、事前の要求、不完全なカバレッジ、限られた視点に悩まされている。 地上LiDAR位置認識のための新しい検索・再分類フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 2.1407868702013992
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LiDAR place recognition determines one's position on a prior point cloud map. The most studied ground-level LiDAR place recognition suffers from pre-visit requirements, incomplete coverage, and limited perspectives. Using pre-acquired, full-coverage Airborne Laser Scanning (ALS) data as an aerial prior map overcomes these drawbacks, making cross-view place recognition necessary and advantageous. However, aerial-ground LiDAR place recognition faces significant challenges, including the domain gap between aerial and ground point clouds, and false positives during initial retrieval. To address these challenges, we present a novel retrieval and re-ranking framework for aerial-ground LiDAR place recognition. Based on the priors that neighboring point cloud patches share similar semantics with anchor patch, our retrieval network introduces patch-level self-supervised learning modules at multiple scales and integrates with scene-level learning to improve global feature discriminativeness between aerial and ground point clouds. Furthermore, leveraging the structured spatial distribution of ALS point clouds, we introduce an Expanded Reciprocal (ER) re-ranking algorithm to exploit neighborhood information maximally and refine each feature based on neighbor features, which are then used to update the similarity matrix for final ranking. Extensive experiments demonstrate that our retrieval network outperforms existing state-of-the-art (SOTA) methods, achieving a 9.8\% improvement in average Recall@1 and a 3.2\% improvement in average Recall@1\% on the CS-Urban-Scenes, while also showing the best performance on the CS-Campus3D dataset. Additionally, our ER re-ranking algorithm further boosts the average Recall@1 by 4.9\% on CS-Campus3D and 10.2\% on CS-Urban-Scenes without additional training.
• Abstract（参考訳）: LiDARの位置認識は、前の点のクラウドマップ上の位置を決定する。 最も研究されている地上レベルのLiDAR位置認識は、事前の要求、不完全なカバレッジ、限られた視点に悩まされている。 航空機搭載レーザースキャン(ALS)データを空中事前マップとして事前に取得することで、これらの欠点を克服し、クロスビューの場所認識を必要かつ有利にする。 しかし、地上のLiDAR位置認識は、空中と地上の雲の間の領域ギャップや、初期検索時の偽陽性など、重大な課題に直面している。 これらの課題に対処するために,地上LiDAR位置認識のための新しい検索・再ランクフレームワークを提案する。 近隣のクラウドパッチがアンカーパッチと類似したセマンティクスを共有していることから,我々の検索ネットワークは,複数のスケールでパッチレベルの自己教師付き学習モジュールを導入し,シーンレベルの学習と統合して,空中と地上のクラウド間のグローバルな特徴識別性を改善する。 さらに、ALS点雲の構造的空間分布を活用することで、隣り合う特徴に基づいて近隣情報を最大限に活用し、各特徴を洗練し、最終ランク付けのための類似度行列を更新する拡張逆数(ER)再ランクアルゴリズムを導入する。 我々の検索ネットワークは既存の最先端(SOTA)手法よりも優れており、CS-Urban-Scenesでは平均Recall@1で9.8倍、平均Recall@1\%で3.2倍、CS-Campus3Dデータセットでは最高のパフォーマンスを示している。 さらに、我々のER再ランクアルゴリズムは、CS-Campus3Dでは平均Recall@1が4.9\%、CS-Urban-Scenesでは10.2\%向上する。

関連論文リスト

• Generative MIMO Beam Map Construction for Location Recovery and Beam Tracking [67.65578956523403]
  本稿では,スパースチャネル状態情報(CSI)から位置ラベルを直接復元する生成フレームワークを提案する。 生のCSIを直接格納する代わりに、小型の低次元無線地図の埋め込みを学び、生成モデルを利用して高次元CSIを再構築する。 数値実験により,NLOSシナリオにおける局所化精度が30%以上向上し,20%のキャパシティゲインが得られることが示された。
  論文  参考訳（メタデータ） (2025-11-21T07:25:49Z)
• Detect Anything via Next Point Prediction [51.55967987350882]
  Rex-Omniは最先端の物体認識性能を実現する3BスケールのMLLMである。 COCOやLVISのようなベンチマークでは、Rex-Omniは回帰ベースのモデルに匹敵するパフォーマンスを得る。
  論文  参考訳（メタデータ） (2025-10-14T17:59:54Z)
• LifelongPR: Lifelong point cloud place recognition based on sample replay and prompt learning [15.464706470200337]
  本稿では,PCPRのための新しい連続学習フレームワークであるLifelongPRを提案する。 LifelongPRは、シーケンシャルポイントクラウドデータから知識を効果的に抽出し、融合する。 提案手法はmIR@1の6.50%,mR@1の7.96%,Fの8.95%削減を実現する。
  論文  参考訳（メタデータ） (2025-07-14T08:13:33Z)
• Efficient Self-Supervised Learning for Earth Observation via Dynamic Dataset Curation [67.23953699167274]
  自己教師付き学習(SSL)により、地球観測のための視覚基盤モデルの開発が可能になった。 EOでは、この課題は衛星画像に共通する冗長性と重尾分布によって増幅される。 本稿では,データセットの多様性とバランスを最大化し,SSL事前トレーニングを改善するために設計された動的データセットプルーニング戦略を提案する。
  論文  参考訳（メタデータ） (2025-04-09T15:13:26Z)
• Semantic Segmentation of Radar Detections using Convolutions on Point Clouds [59.45414406974091]
  本稿では,レーダ検出を点雲に展開する深層学習手法を提案する。 このアルゴリズムは、距離依存クラスタリングと入力点雲の事前処理により、レーダ固有の特性に適応する。 我々のネットワークは、レーダポイント雲のセマンティックセグメンテーションのタスクにおいて、PointNet++に基づく最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2023-05-22T07:09:35Z)
• Continual Barlow Twins: continual self-supervised learning for remote sensing semantic segmentation [8.775728170359024]
  リモートセンシングアプリケーションにSSL(Self-Supervised Learning)とCL(Continual Learning)を併用するアルゴリズムを提案し,CBT(Continual Barlow Twins)と呼ぶ。 CBTは、バラ・ツインズ(Barlow Twins)という最も単純な自己超越技法の1つと、破滅的な忘れ物を避けるための弾性重み統合法(Elastic Weight Consolidation)の利点を組み合わせている。 高度に異質な地球観測データセット上でSSL手法を初めて評価し,これらの戦略の有効性を示した。
  論文  参考訳（メタデータ） (2022-05-23T14:02:12Z)
• Ranking Distance Calibration for Cross-Domain Few-Shot Learning [91.22458739205766]
  数ショット学習の最近の進歩は、より現実的なクロスドメイン設定を促進する。 ドメインギャップとソースとターゲットデータセット間のラベル空間の相違により、共有される知識は極めて限られている。 我々は,タスク内の相互k-アネレスト近傍を発見することで,目標距離行列の校正を行う。
  論文  参考訳（メタデータ） (2021-12-01T03:36:58Z)

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。