論文の概要: PinNet: Keypoint-Aware Learned Local Descriptors with Geometric Embedding for Loop Closure in LiDAR SLAM

• arxiv url: http://arxiv.org/abs/2606.28637v1
• Date: Fri, 26 Jun 2026 22:48:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.627803
• Title: PinNet: Keypoint-Aware Learned Local Descriptors with Geometric Embedding for Loop Closure in LiDAR SLAM
• Title（参考訳）: PinNet: LiDAR SLAMにおけるループクロージャのための幾何学的埋め込みを用いたキーポイント対応ローカル記述子
• Abstract要約: PinNetは、位置認識とスキャンスキャンの登録のために、ポイントクラウドから局所的な幾何学的記述子を生成するニューラルネットワークである。 その結果, 位置認識性能, 精度の高い相対ポーズ推定, シングルショットローカライゼーションが得られた。
• 参考スコア（独自算出の注目度）: 1.826848871278733
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Loop closure is essential to reduce drift and build globally consistent maps in large-scale environments. However, reliable loop closure with only geometric information from, e.g., a LiDAR sensor, remains challenging due to the difficulty of constructing discriminative geometric features. We present PinNet, a neural network that produces local geometric descriptors from point clouds for place recognition and scanto-scan registration. PinNet incorporates a neural network that generates keypoints and their corresponding descriptors, together with a plane-based geometric self-attention module that models inter-keypoint spatial relationships to enhance descriptor discriminability for loop-closure detection and point-cloud registration. The approach is comprehensively evaluated on multiple datasets collected with different LiDAR sensors. Experimental results demonstrate strong place-recognition performance, precise relative pose estimation, and successful single-shot localization in different environments.
• Abstract（参考訳）: ループ閉鎖はドリフトを減らし、大規模な環境でグローバルに一貫したマップを構築するのに不可欠である。 しかし,識別的幾何学的特徴の構築が困難であるため,LiDARセンサなどの幾何学的情報のみを含む信頼性の高いループクロージャはいまだに困難である。 位置認識とスキャンスキャンの登録のために点雲から局所的な幾何学的記述子を生成するニューラルネットワークであるPinNetを提案する。 PinNetは、キーポイントとその対応するディスクリプタを生成するニューラルネットワークと、キーポイント間の空間関係をモデル化し、ループ閉鎖検出とポイントクラウド登録のためのディスクリプタ識別性を向上する平面ベースの幾何学的自己アテンションモジュールを組み込んでいる。 このアプローチは、異なるLiDARセンサーで収集された複数のデータセットに対して包括的に評価される。 実験結果から, 位置認識性能, 精度の高い相対ポーズ推定, 異なる環境下での単発ローカライゼーションの成功が確認された。

関連論文リスト

• Channel-Level Relation to Attentive Aggregation with Neighborhood-Homogeneity Constraint for Point Cloud Analysis [14.63838637349137]
  3Dポイントのクラウド理解では、複雑な地区内の差別的特徴を正確に捉えることが課題である。 既存の手法では特徴相関の識別を探索するが、点レベルの空間分布やチャネル応答に制限される。 本稿では,チャネルレベルのメートル法に基づく拡張機構を備えた新しいネットワークであるPointCRAを提案する。
  論文  参考訳（メタデータ） (2026-05-04T08:59:36Z)
• Registration is a Powerful Rotation-Invariance Learner for 3D Anomaly Detection [64.0168648353038]
  ポイントクラウドデータにおける3次元異常検出は、高い信頼性で構造欠陥を特定することを目的として、産業品質管理に不可欠である。 現在のメモリバンクベースの手法は、しばしば一貫性のない特徴変換と限定的な識別能力に悩まされる。 本稿では、ポイントクラウド登録とメモリベース異常検出の目的を統合した、登録による回転不変の特徴抽出フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-19T14:56:38Z)
• PIN-SLAM: LiDAR SLAM Using a Point-Based Implicit Neural Representation for Achieving Global Map Consistency [30.5868776990673]
  PIN-SLAMは、弾性的かつコンパクトな点ベースの暗黙的ニューラルマップ表現に基づいて、一貫した一貫したマップを構築するシステムである。 我々の暗黙の地図は、ループを閉じる際の大域的なポーズ調整とともに、本質的に弾性で変形可能なスパース最適化可能なニューラルポイントに基づいている。 PIN-SLAMは、最先端のLiDARオドメトリーやSLAMシステムと同等のポーズ推定精度を達成する。
  論文  参考訳（メタデータ） (2024-01-17T10:06:12Z)
• KDD-LOAM: Jointly Learned Keypoint Detector and Descriptors Assisted LiDAR Odometry and Mapping [9.609585217048664]
  確率的検出損失を有するマルチタスク完全畳み込みネットワークに基づく密結合型キーポイント検出器とディスクリプタを提案する。 屋内および屋外の両方のデータセットで実験したところ、TCKDDはポイントクラウドの登録において最先端のパフォーマンスを達成することがわかった。 また、キーポイント検出器とディスクリプタ支援LiDAR odometry and Mapping framework (KDD-LOAM) を設計し、その実時間オドメトリはキーポイント記述子マッチングに基づくRANSACに依存している。
  論文  参考訳（メタデータ） (2023-09-27T04:10:52Z)
• SEM-GAT: Explainable Semantic Pose Estimation using Learned Graph Attention [10.883346969896621]
  本稿では,信頼度の高いポイントクラウド登録候補の識別を導くために,意味論と局所幾何学を利用したグラフニューラルネットワーク(GNN)に基づく手法を提案する。 環境のセマンティックおよび形態学的特徴は、登録のための重要な基準点として機能し、正確なライダーベースのポーズ推定を可能にする。 提案手法をKITTIオドメトリデータセット上でテストし,ベンチマーク手法と比較して競合精度が向上し,より少ないネットワークパラメータに依存しながら,トラックのスムーズさが向上した。
  論文  参考訳（メタデータ） (2023-08-07T16:43:46Z)
• UPDesc: Unsupervised Point Descriptor Learning for Robust Registration [54.95201961399334]
  UPDescは、ロバストポイントクラウド登録のためのポイント記述子を学習するための教師なしの方法である。 学習した記述子は既存の教師なし手法よりも優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2021-08-05T17:11:08Z)
• PointDSC: Robust Point Cloud Registration using Deep Spatial Consistency [38.93610732090426]
  本稿では,空間的整合性を明確に組み込んだ新しいディープニューラルネットワークであるPointDSCを提案する。 本手法は,いくつかの実世界のデータセットにおいて,最先端の手作りおよび学習に基づく異常者拒絶アプローチを上回っている。
  論文  参考訳（メタデータ） (2021-03-09T14:56:08Z)
• PRIN/SPRIN: On Extracting Point-wise Rotation Invariant Features [91.2054994193218]
  点群解析における回転不変特徴抽出に着目した点集合学習フレームワークPRINを提案する。 さらに、PRINをスパースポイントクラウド上で直接動作するSPRINと呼ばれるスパースバージョンに拡張します。 その結果、ランダムに回転した点群を持つデータセットでは、SPRINはデータ拡張なしで最先端の方法よりも優れたパフォーマンスを発揮します。
  論文  参考訳（メタデータ） (2021-02-24T06:44:09Z)
• SPU-Net: Self-Supervised Point Cloud Upsampling by Coarse-to-Fine Reconstruction with Self-Projection Optimization [52.20602782690776]
  実際のスキャンされたスパースデータからトレーニング用の大規模なペアリングスパーススキャンポイントセットを得るのは高価で面倒です。 本研究では,SPU-Net と呼ばれる自己監視型点群アップサンプリングネットワークを提案する。 本研究では,合成データと実データの両方について様々な実験を行い,最先端の教師付き手法と同等の性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-12-08T14:14:09Z)
• A Point-Cloud Deep Learning Framework for Prediction of Fluid Flow Fields on Irregular Geometries [62.28265459308354]
  ネットワークは空間位置とCFD量のエンドツーエンドマッピングを学習する。 断面形状の異なるシリンダーを過ぎる非圧縮層状定常流を考察する。 ネットワークは従来のCFDの数百倍の速さで流れ場を予測する。
  論文  参考訳（メタデータ） (2020-10-15T12:15:02Z)
• RPM-Net: Robust Point Matching using Learned Features [79.52112840465558]
  RPM-Netは、より敏感で、より堅牢なディープラーニングベースのアプローチである。 既存の方法とは異なり、我々のRPM-Netは、部分的な可視性を備えた対応や点雲の欠如を処理します。
  論文  参考訳（メタデータ） (2020-03-30T13:45:27Z)

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。