適応的な空間特征抽出とグラフィカル特征認識により,堅牢なポイントクラウドの登録が可能
Yilin Chen1, Yang Mei2, Tao Lu1
1School of Computer Science and Engineering, Wuhan Institute of Technology, Wuhan, 430073, China; Hubei Key Laboratory of Intelligent Robot, Wuhan Institute of Technology, Wuhan, 430073, China.
まとめ
この研究は,3Dポイントクラウドの登録のための新しい方法であるLDGRを導入します. LDGRは機能抽出を強化し,特に低重複のシナリオで,計算コストを削減するために,新しい評価アプローチを使用します.
科学分野:
- コンピュータ・ビジョン
- 3Dポイントクラウド処理
- 機械学習
背景:
- トランスフォーマーには3Dビジョンが優れているが, 集中力が不足しているため, 低重複点クラウドの登録に苦労している.
- 既存の RANSAC 方法は,広範なイテレーションを必要とし,高い計算コストにつながります.
研究 の 目的:
- 低重複のシナリオのための堅固なポイントクラウドの登録方法を開発する.
- 伝統的な登録技術に関連する計算上のオーバーヘッドを削減します.
主な方法:
- アダプティブ・ポイント・コンヴォルション (APConv) が導入され,アダプティブ・レセプティブ・フィールドによる特征抽出が行われる.
- 局所的な幾何学情報とグラフィカル認識を備えた改良されたトランスフォーマーで,低重複性能が向上します.
- ローカル・ディフュージョン・トゥ・グローバルの (LDGR) 登録評価器を提案し,繰り返し計算を削減した.
主要な成果:
- 最先端の方法よりも優れたModelNetとModelLoNetのデータセットで最適な結果を達成しました.
- 3DMatchと3DLoMatchのデータセットで,かなり高いインリア比率で堅実性を証明した.
- KITTIのデータセットでRANSACと比べられる性能を示した.
結論:
- LDGRは,3Dポイントクラウドの登録,特に低重複の条件で,頑丈で計算効率の良いソリューションを提供します.
- 提案されたAPConvとLDGR評価器は,特徴抽出と登録の精度を向上させます.
