Challenging the Universal Representation of Deep Models for 3D Point Cloud Registration

要約

異なるアプリケーション ドメイン間で普遍的な表現を学習することは、未解決の研究課題です。
実際、特に 3D 点群の処理を伴うアプリケーションでは、同じアプリケーション内で異なるタイプのデータセットにまたがるユニバーサル アーキテクチャを見つけることも未解決の問題です。
この作業では、提案された非学習ベースライン登録方法に対して、3D点群登録のためのいくつかの最先端の学習ベースの方法を実験的にテストします。
提案された方法は、パフォーマンスが優れているか、同等の結果を達成します。
学習ベースの方法。
さらに、学習ベースの方法では一般化が難しいデータセットを提案します。
提案された方法とデータセットは、提供された実験とともに、普遍的な表現の効果的なソリューションを研究するためのさらなる研究に使用できます。
ソース コードは、github.com/DavidBoja/greedy-grid-search で入手できます。

要約(オリジナル)

Learning universal representations across different applications domain is an open research problem. In fact, finding universal architecture within the same application but across different types of datasets is still unsolved problem too, especially in applications involving processing 3D point clouds. In this work we experimentally test several state-of-the-art learning-based methods for 3D point cloud registration against the proposed non-learning baseline registration method. The proposed method either outperforms or achieves comparable results w.r.t. learning based methods. In addition, we propose a dataset on which learning based methods have a hard time to generalize. Our proposed method and dataset, along with the provided experiments, can be used in further research in studying effective solutions for universal representations. Our source code is available at: github.com/DavidBoja/greedy-grid-search.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google