초록 ▼

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

본 학위 논문은 비현실적인 가정 없이 대규모 3차원 장면에서 정확하고 강건한 포인트 클라우드 정합을 위한 새로운 방법을 제시한다. 첫번째 제안하는 방법은 낮은 오버랩 비율을 가지는 포인트 클라우드의 정합 성능을 향상시키기 위해 쌍에서 심층 기하학적 특징을 추출하여, 오버랩 지역 기반의 ...

본 학위 논문은 비현실적인 가정 없이 대규모 3차원 장면에서 정확하고 강건한 포인트 클라우드 정합을 위한 새로운 방법을 제시한다. 첫번째 제안하는 방법은 낮은 오버랩 비율을 가지는 포인트 클라우드의 정합 성능을 향상시키기 위해 쌍에서 심층 기하학적 특징을 추출하여, 오버랩 지역 기반의 대응점을 계산한다. 변환 매개 변수를 나타내는 6D 허프 공간에서 투표하는 triplet을 구성하기 위해, 대응점에서 quartet을 구성하여 샘플링 과정 후, 최종 triplet을 구성한다. 네트워크 입력으로 사용되는 투표를 구성할 때, 네트워크 학습에서 특징 간 모호성을 방지하기 위해 triplet의 유사도 값을 투표의 특징으로 사용한다. 다음으로, 노이즈가 포함된 투표를 정제하기 위해 the deep Hough voting for robust global registration(DHVR)의 정제 모듈을 적용했다. 그리고 최종 변환 매개 변수를 예측하기 위해 허프 공간에 존재하는 대응점의 합의를 bins을 통해 식별한다. 제안하는 방법은 실내 데이터 셋인 3DMatch 및 3DLoMatch 벤치마크에서 최첨단 성능을 달성했다. 그리고 실외 데이터 셋인 KITTI에서 최신 방법과 비슷한 성능을 달성했다.

Abstract ▼ AI-Helper

In this paper, we present a novel method for accurate and robust point cloud registration in large-scale 3D scenes without using unrealistic assumptions. We first compute overlap region-based correspondences by extracting deep geometric features from pairs to enhance registration performance of poin...

In this paper, we present a novel method for accurate and robust point cloud registration in large-scale 3D scenes without using unrealistic assumptions. We first compute overlap region-based correspondences by extracting deep geometric features from pairs to enhance registration performance of point cloud pairs with a low overlap ratio. To construct an efficient triplet that votes in the 6D Hough space representing the transformation parameters, we construct the quartet in overlap region-based correspondences, and construct a final triplet after the sampling process. When configuring votes used as the network input, the similarity values of the triplet are used as features of vote to avoid ambiguity between features during the training process. Next, the refinement module of the deep Houfh voting for robust gloable registration (DHVR) is applied to refine the vote containing noise. We then identify the consensus of corresponence existing in the Hough space via bin to predict the final transformation parameter. Our method achieved state-of- the-art performance on indoor datasets including 3DMatch and 3DLoMatch benchmarks. It also achieved performance similar to state-of-the-art methods on KITTI outdoor dataset.

주제어