文献

J-GLOBAL ID：202002225869642621   整理番号：20A2196417

深いマルチスケール局所特徴によるTLS点雲のペアワイズレジストレーション【JST・京大機械翻訳】

Pairwise registration of TLS point clouds by deep multi-scale local features

著者 (11件)： Li Wei (Fujian Key Laboratory of Sensing and Computing for Smart City, School of Informatics, Xiamen University, Xiamen, China) ,  Li Wei (Digital Fujian Institute of Urban Traffic Big Data Research, Xiamen University, Xiamen, China) ,  Wang Cheng (Fujian Key Laboratory of Sensing and Computing for Smart City, School of Informatics, Xiamen University, Xiamen, China) ,  Wang Cheng (Digital Fujian Institute of Urban Traffic Big Data Research, Xiamen University, Xiamen, China) ,  Wen Chenglu (Fujian Key Laboratory of Sensing and Computing for Smart City, School of Informatics, Xiamen University, Xiamen, China) ,  Wen Chenglu (Digital Fujian Institute of Urban Traffic Big Data Research, Xiamen University, Xiamen, China) ,  Zhang Zheng (Fujian Key Laboratory of Sensing and Computing for Smart City, School of Informatics, Xiamen University, Xiamen, China) ,  Lin Congren (Fujian Key Laboratory of Sensing and Computing for Smart City, School of Informatics, Xiamen University, Xiamen, China) ,  Li Jonathan (Fujian Key Laboratory of Sensing and Computing for Smart City, School of Informatics, Xiamen University, Xiamen, China) ,  Li Jonathan (Digital Fujian Institute of Urban Traffic Big Data Research, Xiamen University, Xiamen, China) ,  Li Jonathan (Department of Geography and Environmental Management, University of Waterloo, Waterloo, Canada)
資料名： Neurocomputing  (Neurocomputing)
巻： 386  ページ： 232-243  発行年： 2020年 
JST資料番号： W0360A  ISSN： 0925-2312  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： TLSシステムの機構のため,雑音,異常値,様々なオクルージョン,変化する雲密度などが,TLSポイントクラウドの収集に必然的に存在する。自動TLSポイントクラウド登録を達成するために,キーポイントの手作業特徴に基づく多くの方法を提唱した。著しい進歩にもかかわらず,現在の方法は,TLSポイントクラウド登録の達成において依然として大きな課題に直面している。本論文では,ペアワイズTLSポイントクラウド間の対応を確立するために,局所形状記述子を学習するためのマルチスケールニューラルネットワークを提案した。このモデルを訓練するために,ペアワイズ半合成3D局所パッチ上で開発したデータ増強は,著者らのネットワークを回転変換にロバストに拡張することである。次に,様々な局所近傍に基づいて,マルチスケールサブネットワークを構築し,ロバスト局所特徴を学習するために融合した。実験結果は,著者らの提案方法が2つのTLSポイントクラウドを首尾よく登録して,最先端の方法より優れていることを実証した。そのうえ,著者らの学習記述子は,並進に不変であり,回転の変化に耐性である。Copyright 2020 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 雑音 ,  *学習 ,  ネットワーク ,  ニューラルネットワーク ,  並進 ,  異常値 ,  三次元 ,  ロバスト性 ,  オクルージョン
準シソーラス用語： マルチスケール ,  形状ディスクリプタ ,  *局所特徴 ,  サブネットワーク , 【Automatic Indexing@JST】

著者キーワード (5件)： MSSNet ,  ポイントクラウドレジストレーション ,  地上レーザ走査(TLS) ,  データ増強 ,  幾何学的制約

分類 (3件)： 人工知能  (JE08000Z) ,  ニューロコンピュータ  (JC06010Q) ,  図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (4件)： マルチスケール ,  局所特徴 ,  TLS ,  点雲