ترجمه فارسی مقاله ثبت ابر نقطه بدون نظارت با تقطیر خودکار

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Unsupervised Point Cloud Registration with Self-Distillation
عنوان مقاله به فارسی ثبت ابر نقطه بدون نظارت با تقطیر خودکار
نویسندگان Christian Löwens, Thorben Funke, André Wagner, Alexandru Paul Condurache
فرمت مقاله انگلیسی PDF
تعداد صفحات 12
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Computer Vision and Pattern Recognition,Machine Learning,Robotics,چشم انداز رایانه و تشخیص الگوی , یادگیری ماشین , روباتیک ,
توضیحات Submitted 11 September, 2024; originally announced September 2024. , Comments: Oral at BMVC 2024
توضیحات به فارسی ارسال شده در 11 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد ، نظرات: شفاهی در BMVC 2024
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Rigid point cloud registration is a fundamental problem and highly relevant in robotics and autonomous driving. Nowadays deep learning methods can be trained to match a pair of point clouds, given the transformation between them. However, this training is often not scalable due to the high cost of collecting ground truth poses. Therefore, we present a self-distillation approach to learn point cloud registration in an unsupervised fashion. Here, each sample is passed to a teacher network and an augmented view is passed to a student network. The teacher includes a trainable feature extractor and a learning-free robust solver such as RANSAC. The solver forces consistency among correspondences and optimizes for the unsupervised inlier ratio, eliminating the need for ground truth labels. Our approach simplifies the training procedure by removing the need for initial hand-crafted features or consecutive point cloud frames as seen in related methods. We show that our method not only surpasses them on the RGB-D benchmark 3DMatch but also generalizes well to automotive radar, where classical features adopted by others fail. The code is available at https://github.com/boschresearch/direg .

چکیده به فارسی (ترجمه ماشینی)

ثبت نام Cloud Point یک مشکل اساسی است و در رباتیک و رانندگی خودمختار بسیار مرتبط است.امروزه با توجه به تحول بین آنها ، می توان روشهای یادگیری عمیق را برای مطابقت با یک جفت ابرهای نقطه ای آموزش داد.با این حال ، این آموزش به دلیل هزینه بالای جمع آوری حقایق زمینی ، اغلب مقیاس پذیر نیست.بنابراین ، ما یک رویکرد خودمختار برای یادگیری ثبت نام ابر نقطه به روشی بدون نظارت ارائه می دهیم.در اینجا ، هر نمونه به یک شبکه معلم منتقل می شود و یک نمای افزوده به شبکه دانشجویی منتقل می شود.معلم شامل یک استخراج کننده ویژگی قابل آموزش و یک حل کننده قوی بدون یادگیری مانند RANSAC است.حل کننده سازگاری را در بین مکاتبات ایجاد می کند و برای نسبت غیر قابل نظارتی بهینه می شود و نیاز به برچسب های حقیقت زمینی را از بین می برد.رویکرد ما با از بین بردن نیاز به ویژگی های اولیه دست ساز یا فریم های ابر نقطه متوالی همانطور که در روش های مرتبط مشاهده می شود ، روش آموزش را ساده می کند.ما نشان می دهیم که روش ما نه تنها از آنها در معیار RGB-D 3Dmatch پیشی می گیرد بلکه به رادارهای اتومبیل نیز تعمیم می یابد ، جایی که ویژگی های کلاسیک اتخاذ شده توسط دیگران شکست می خورد.این کد در https://github.com/boschresearch/direg در دسترس است.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.