DPDist: Comparing Point Clouds Using Deep Point Cloud Distance

Dahlia Urbach, Yizhak Ben-Shabat, Michael Lindenbaum

פרסום מחקרי: פרק בספר / בדוח / בכנספרסום בספר כנסביקורת עמיתים

תקציר

We introduce a new deep learning method for point cloud comparison. Our approach, named Deep Point Cloud Distance (DPDist), measures the distance between the points in one cloud and the estimated surface from which the other point cloud is sampled. The surface is estimated locally using the 3D modified Fisher vector representation. The local representation reduces the complexity of the surface, enabling effective learning, which generalizes well between object categories. We test the proposed distance in challenging tasks, such as similar object comparison and registration, and show that it provides significant improvements over commonly used distances such as Chamfer distance, Earth mover’s distance, and others.

שפה מקוריתאנגלית
כותר פרסום המארחLecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics)
עמודים545-560
מספר עמודים16
מזהי עצם דיגיטלי (DOIs)
סטטוס פרסוםפורסם - 2020
אירוע16th European Conference on Computer Vision, ECCV 2020 - Glasgow, בריטניה
משך הזמן: 23 אוג׳ 202028 אוג׳ 2020

סדרות פרסומים

שםLecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics)
מוציא לאורSpringer Verlag

כנס

כנס16th European Conference on Computer Vision, ECCV 2020
מדינה/אזורבריטניה
עירGlasgow
תקופה23/08/2028/08/20

ASJC Scopus subject areas

  • ???subjectarea.asjc.2600.2614???
  • ???subjectarea.asjc.1700.1700???

טביעת אצבע

להלן מוצגים תחומי המחקר של הפרסום 'DPDist: Comparing Point Clouds Using Deep Point Cloud Distance'. יחד הם יוצרים טביעת אצבע ייחודית.

פורמט ציטוט ביבליוגרפי