A funcionalidade de pesquisa está em construção.
A funcionalidade de pesquisa está em construção.

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 Descrição do recurso com erro de registro de ponto de recurso usando codificadores de nuvem de pontos locais e globais

Kenshiro TAMATA, Tomohiro MASHITA

  • Exibições de texto completo

    0

  • Cite isto

Resumo:

Uma abordagem típica para reconstruir um modelo de ambiente 3D é digitalizar o ambiente com um sensor de profundidade e ajustar a nuvem de pontos acumulada aos modelos 3D. Neste tipo de cenário, uma aplicação geral de reconstrução de ambiente 3D assume uma varredura temporalmente contínua. No entanto, em alguns usos práticos, esta suposição é inaceitável. Assim, é necessário um método de correspondência de nuvem de pontos para unir várias varreduras 3D não contínuas. A correspondência de nuvens de pontos geralmente inclui erros na detecção de pontos característicos porque uma nuvem de pontos é basicamente uma amostragem esparsa do ambiente real e pode incluir erros de quantização que não podem ser ignorados. Além disso, os sensores de profundidade tendem a apresentar erros devido às propriedades reflexivas da superfície observada. Portanto, assumimos que os pares de pontos característicos entre duas nuvens de pontos incluirão erros. Neste trabalho, propomos um método de descrição de características robusto ao erro de registro de pontos de características descrito acima. Para atingir esse objetivo, projetamos um modelo de descrição de recursos baseado em aprendizado profundo que consiste em uma descrição de recursos locais em torno dos pontos de recursos e uma descrição de recursos globais de toda a nuvem de pontos. Para obter uma descrição de recurso robusta ao erro de registro de pontos de recurso, inserimos pares de pontos de recurso com erros e treinamos os modelos com aprendizado métrico. Os resultados experimentais mostram que nosso modelo de descrição de recursos pode estimar corretamente se o par de pontos de recursos está próximo o suficiente para ser considerado uma correspondência ou não, mesmo quando os erros de registro de pontos de recursos são grandes, e nosso modelo pode estimar com maior precisão em comparação com métodos como como FPFH ou 3DMatch. Além disso, conduzimos experimentos para combinações de nuvens de pontos de entrada, incluindo nuvens de pontos locais ou globais, ambos os tipos de nuvem de pontos e codificadores.

Publicação
IEICE TRANSACTIONS on Information Vol.E105-D No.1 pp.134-140
Data de publicação
2022/01/01
Publicitada
2021/10/11
ISSN online
1745-1361
DOI
10.1587/transinf.2021EDP7082
Tipo de Manuscrito
PAPER
Categoria
Reconhecimento de imagem, visão computacional

autores

Kenshiro TAMATA
  Osaka University
Tomohiro MASHITA
  Osaka University

Palavra-chave