검색 기능은 준비 중입니다.
검색 기능은 준비 중입니다.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Feature Description with Feature Point Registration Error Using Local and Global Point Cloud Encoders 로컬 및 글로벌 포인트 클라우드 인코더를 사용하여 특징점 등록 오류가 있는 특징 설명

Kenshiro TAMATA, Tomohiro MASHITA

  • 조회수

    0

  • 이것을 인용

요약 :

3D 환경 모델을 재구성하는 일반적인 접근 방식은 깊이 센서로 환경을 스캔하고 누적된 포인트 클라우드를 3D 모델에 맞추는 것입니다. 이러한 종류의 시나리오에서 일반적인 3D 환경 재구성 응용 프로그램은 시간적으로 연속적인 스캔을 가정합니다. 그러나 일부 실제 사용에서는 이러한 가정이 허용되지 않습니다. 따라서 여러 개의 비연속적인 3D 스캔을 연결하기 위한 포인트 클라우드 매칭 방법이 필요합니다. 포인트 클라우드 매칭은 기본적으로 실제 환경의 희박한 샘플링이기 때문에 특징점 검출에 오류가 자주 포함되며, 무시할 수 없는 양자화 오류가 포함될 수 있습니다. 더욱이 깊이 센서는 관찰된 표면의 반사 특성으로 인해 오류가 발생하는 경향이 있습니다. 따라서 우리는 두 포인트 클라우드 사이의 특징 포인트 쌍에 오류가 포함된다고 가정합니다. 본 연구에서는 위에서 설명한 특징점 등록 오류에 강인한 특징 설명 방법을 제안한다. 이러한 목표를 달성하기 위해 우리는 특징점 주변의 로컬 특징 설명과 전체 포인트 클라우드에 대한 전역 특징 설명으로 구성된 딥러닝 기반 특징 설명 모델을 설계했습니다. 특징점 등록 오류에 강력한 특징 설명을 얻기 위해 오류가 있는 특징점 쌍을 입력하고 메트릭 학습을 통해 모델을 훈련합니다. 실험 결과, 우리의 특징 설명 모델은 특징점 등록 오류가 큰 경우에도 특징점 쌍이 일치로 간주될 만큼 충분히 가까운지 여부를 정확하게 추정할 수 있으며, 우리 모델은 다음과 같은 방법에 비해 더 높은 정확도로 추정할 수 있음을 보여줍니다. FPFH 또는 3DMatch. 또한 로컬 또는 글로벌 포인트 클라우드, 두 가지 유형의 포인트 클라우드 및 인코더를 포함한 입력 포인트 클라우드의 조합에 대한 실험을 수행했습니다.

발행
IEICE TRANSACTIONS on Information Vol.E105-D No.1 pp.134-140
발행일
2022/01/01
공개일
2021/10/11
온라인 ISSN
1745-1361
DOI
10.1587/transinf.2021EDP7082
원고의 종류
PAPER
범주
이미지 인식, 컴퓨터 비전

작성자

Kenshiro TAMATA
  Osaka University
Tomohiro MASHITA
  Osaka University

키워드