Fore-Net:大規模屋内シナリオのための効率的なインリーヤ推定ネットワーク【JST・京大機械翻訳】

Zhang Zhenghua; Chen Guoliang; Wang Xuan; Shu Mingcong

文献

J-GLOBAL ID：202202230991265324 整理番号：22A0575783

Fore-Net:大規模屋内シナリオのための効率的なインリーヤ推定ネットワーク【JST・京大機械翻訳】

Fore-Net: Efficient inlier estimation network for large-scale indoor scenario

出版者サイト複写サービスで全文入手 {{ this.onShowCLink("http://jdream3.com/copy/?sid=JGLOBAL&noSystem=1&documentNoArray=22A0575783&COPY=1") }}
高度な検索・分析はJDreamⅢで {{ this.onShowJLink("http://jdream3.com/lp/jglobal/index.html?docNo=22A0575783&from=J-GLOBAL&jstjournalNo=H0048A") }}

著者 (4件)： , , ,
資料名：
巻： 184 ページ： 165-176 発行年： 2022年
JST資料番号： H0048A ISSN： 0924-2716 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)

実世界環境,特にクラッタ屋内空間で走査された点雲は,オクルージョンまたは部分的に重複した状況のため,センサ雑音または欠測点からの外来点によってしばしば崩壊する。これらの問題は,特にポイントクラウドレジストレーションに対して,その後のタスクの性能を低下させる。本論文では,異常値点を効率的にフィルタリングし,ソースデータの品質を最適化することにより,後続アルゴリズムの性能を促進できる,異常値点のみを保持するための学習ベースネットワーク,Foe-Netを提案した。著者らは,特徴およびカーバイト空間の両方から情報を集めて,ポイントクラウドペア間の情報交換を実現することによって,ネットワーク学習を強化できるFoe-Netにおける二重空間注意モジュールを設計した。さらに,本論文では,Foe-Netを訓練し,テストする2つの自動ラベリング戦略を提案し,手ラベリングなしに既存のデータセットを用いて点雲を雑音除去し,点雲を雑音除去した。2つの大規模屋内データセット(3DmatchとS3DISデータセット)と1つの合成データセット(ModelNet40データセット)を用いてFoe-Netを総合的に評価した。結果は,Fore-Netが最先端の手法よりも正確でロバストであり,Fore-Netが異なるタイプの屋内場面でよく一般化できることを示した。さらに,前処理段階としてFore-Netを用いて,古典的方法または学習ベース法が低重複シナリオで促進できるかどうか,登録アルゴリズムの性能を,さらに検証した。また,Foe-Netは屋内シーンと物体の点雲を雑音除去するための有効なツールとして使用できる。結果は,Foe-Netの効率と適合性を実証し,高品質ソースデータに依存するタスクに魅力的になる。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

, , , , , , , , , , , , ,
, 【Automatic Indexing@JST】

著者キーワード (4件)： , , ,

写真測量,空中写真 , 図形・画像処理一般

, , ,

前のページに戻る