論文の概要: UpDown-SC: Gravity-Canonicalized Dual-Envelope Scan Context for Indoor LiDAR Place Recognition
- arxiv url: http://arxiv.org/abs/2609.29118v1
- Date: Thu, 24 Sep 2026 06:54:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 21:10:09.759426
- Title: UpDown-SC: Gravity-Canonicalized Dual-Envelope Scan Context for Indoor LiDAR Place Recognition
- Title（参考訳）: UpDown-SC:屋内LiDAR位置認識のための重力カノン化デュアルエンベロープスキャンコンテキスト
- Abstract要約: UpDown-SCはトレーニング不要の極ディスクリプタで、まず重力を正準化し、2つの相補曲面を表す。
屋内セッションを繰り返す実験は、室内および設置高さの高いセッションにおいて、より信頼性の高いファーストチョイス検索を示す。
UpDown-SCは閾値ベースでF1maxとAUPRをベストまたはセカンドベットで提供する。
- 参考スコア（独自算出の注目度）: 17.278304970953922
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: LiDAR place recognition is a key front end for loop closure and global relocalization, yet indoor retrieval remains difficult when attitude or sensor mounting height changes between mapping and query sessions. Scan Context stores the maximum height in each polar cell; indoors, broad ceilings can suppress the lower and mid-level geometry that distinguishes adjacent rooms and corridors. We present UpDown-SC, a training-free polar descriptor that first canonicalizes gravity and then represents two complementary surfaces: the upper envelope of lower/middle structures and the lower envelope of overhead structures. Their physical split is estimated once from a cell-balanced map height distribution and reused by every query. A mask-aware, non-uniform two-channel distance retains discriminative lower-level evidence while limiting sensitivity to its cross-session variation, without treating unobserved cells as zero-height measurements. Conventional Scan Context shortlisting and circular yaw alignment are retained, so retrieved hypotheses directly initialize geometric verification. Experiments across repeated indoor sessions, mounting-height changes, mixed outdoor-to-indoor trajectories, and an outdoor transfer sequence show more reliable first-choice retrieval on the indoor and mounting-height-varied sessions. A paired test finds a significant gain over Scan Context on the in-house sessions. UpDown-SC also gives the best or second-best F1max and AUPR under threshold-based acceptance while retaining a lightweight CPU front end. Continuous replay confirms that the retrieved hypotheses support metric prior-map localization. Code and evaluation artifacts: https://github.com/jiejie567/updown-sc.
- Abstract（参考訳）: LiDARの位置認識はループ閉鎖とグローバル再ローカライゼーションの鍵となるフロントエンドであるが、マッピングとクエリセッションの間の姿勢やセンサー装着の高さが変化しても屋内検索は困難である。
Scan Contextは各極性細胞に最大高さを格納する。屋内では、広角な天井が、隣の部屋や廊下を区別する下層と中層の幾何学を抑えることができる。
トレーニング不要な極性記述子であるUpDown-SCは、まず重力を正準化し、次に2つの相補的な曲面を表わす。
それらの物理分割はセルバランスの地図の高さ分布から1度推定され、クエリ毎に再利用される。
マスクを意識した非一様二チャンネル距離は、非観察細胞をゼロハイト測定として扱うことなく、その断面積の変化に対する感度を制限しながら、差別的な低レベル証拠を保持する。
従来の Scan Context ショートリストと円形ヨーアライメントは保持されるため、検索された仮説は幾何的検証を直接初期化する。
室内における反復的な実験,設置高さの変化,屋外から屋内への混合軌道,屋外への移動シーケンスは,室内および設置高さの異なるセッションにおいてより信頼性の高いファーストチョイス検索を示す。
ペアテストでは、社内セッションでScan Contextよりも大幅に向上する。
UpDown-SCは、CPUのフロントエンドを軽量に保ちながら、しきい値ベースでF1maxとAUPRをベストまたはセカンドベットで提供する。
連続的なリプレイは、検索された仮説がメトリックの事前マップのローカライゼーションをサポートすることを確認します。
コードと評価アーティファクト:https://github.com/jiejie567/updown-sc。
関連論文リスト
- One Step, One Lead: Mitigating Higher-Order Interference in Multi-Domain Reinforcement Learning via Cross-Step Control [62.82372407840088]
同点領域勾配は、連続的な更新が出力空間で部分的に逆転する場合においても、ほぼ一定であることを示す。
トークンレベルのリバウンドリスクをランク付けするために,各イテレーションでフォーカスドメインを指定するOSOLを提案する。
OSOLは0.4822のドメイン-マクロ平均に達し、最強の比較ベースラインよりも5.7%向上した。
論文 参考訳（メタデータ） (2026-09-06T08:32:59Z) - Reliability-Aware Prototype Calibration for Frozen Pose-Flow Video Anomaly Detection [7.276043252948729]
単一の可能性スコアは、通常の行動を隠すことができ、ポーズ・オブザーブレーションノイズに敏感である。
本研究では,ポーズフローバックボーン,キャッシュされたスケルトントラック,評価パイプラインを固定した凍結検知器の設定について検討した。
Reliability-Aware Prototypeは、この設定のためのポストホックスコアキャリブレーション手法である。
論文 参考訳（メタデータ） (2026-06-18T14:46:38Z) - FLORO: A Multimodal Geospatial Foundation Model for Ecological Remote Sensing Across Sensors and Scales [65.4821703903285]
FLOROは、小さなが高度に多様なリモートセンシングコーパスから転送可能な表現を学習するために設計されたマルチモーダル基礎モデルである。
FLOROは、Sentinel-1、Sentinel-2、SkySAT画像、標高、UAV由来のデータとの不均一な組み合わせによるマスク付きオートエンコーディングを用いて事前訓練される。
我々は、シーン分類、セグメンテーション、回帰タスクにまたがる凍結エンコーダプロトコルを用いて、PANGAEAベンチマーク上でFLOROを評価した。
論文 参考訳（メタデータ） (2026-05-27T08:55:54Z) - Height-Guided Projection Reparameterization for Camera-LiDAR Occupancy [19.450674475241353]
HiPRはHeight-Guided Projection Reパラメータ化を備えたカメラLiDAR占有フレームワークである。
HiPRは、リアルタイム推論を維持しながら、既存の最先端メソッドを一貫して上回る。
論文 参考訳（メタデータ） (2026-05-06T16:09:13Z) - SPINAL -- Scaling-law and Preference Integration in Neural Alignment Layers [16.976750197698063]
本研究では,深度にまたがってアライメントが表現にどう影響するかを測定する診断手法であるSPINALを紹介する。
モデルファミリ全体で、DPOは最終デコーダブロックに集中する層ワイドキャリブレーション効果を生成する。
調整されたチェックポイントは、収縮の後期層の増加と輸送の円滑な減少を示し、厳密で安定した政策質量と一致している。
論文 参考訳（メタデータ） (2026-01-08T17:47:12Z) - SeqPE: Transformer with Sequential Position Encoding [76.22159277300891]
SeqPEは、各$n$次元位置指数をシンボルシーケンスとして表現し、軽量なシーケンシャル位置エンコーダを用いて埋め込みを学習する。
言語モデリング、長文質問応答、および2次元画像分類による実験により、SeqPEはパープレキシティ、正確なマッチング(EM)、精度の強いベースラインを超えるだけでなく、手作業によるアーキテクチャ再設計を必要とせず、多次元入力へのシームレスな一般化を可能にする。
論文 参考訳（メタデータ） (2025-06-16T09:16:40Z) - DSLO: Deep Sequence LiDAR Odometry Based on Inconsistent Spatio-temporal Propagation [66.8732965660931]
本稿では,LiDAR odometry DSLO の非一貫性時間伝搬に基づく3次元点列学習モデルを提案する。
ピラミッド構造で、シーケンシャルなポーズモジュール、階層的なポーズリファインメントモジュール、時間的特徴伝搬モジュールで構成されている。
論文 参考訳（メタデータ） (2024-09-01T15:12:48Z) - Dense Label Encoding for Boundary Discontinuity Free Rotation Detection [69.75559390700887]
本稿では,分類に基づく比較的研究の少ない方法論について検討する。
我々は2つの側面でフロンティアを推し進めるための新しい手法を提案する。
航空画像のための大規模公開データセットの実験と視覚解析は,我々のアプローチの有効性を示している。
論文 参考訳（メタデータ） (2020-11-19T05:42:02Z) - DiSCO: Differentiable Scan Context with Orientation [13.797651328615347]
そこで我々は、LiDARに基づく位置認識手法、DiSCO(diffariable Scan Context with Orientation)を提案する。
同時にスキャンを同じ場所で見つけ、相対的な向きを推定する。
DiSCOは長期の屋外条件を持つ3つのデータセットで検証される。
論文 参考訳（メタデータ） (2020-10-21T12:38:21Z)
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。