机构名称：
¥ 1.0
摘要 - 在机器人技术和自动化等许多现实世界中，高度要求注册。注册在某种程度上挑战，因为获得的数据通常很吵，并且有很多异常值。此外，在许多实际应用中，一个点集（PS）通常仅涵盖另一个PS的部分区域。因此，大多数现有的注册算法无法保证理论融合。本文介绍了一种新颖，健壮和准确的三维（3D）刚性点集（PSR）方法，该方法是通过将最先进的（SOTA）贝叶斯相干点漂移（BCPD）理论推广到场景中来实现的，以使高维点集（PSS）位于AniSAlIniSAIS噪声中。高维点集通常由位置向量和正常向量组成。一方面，使用正常向量，提出的方法对噪声和离群值更为强大，并且可以更准确地找到点对应关系。另一方面，将注册纳入BCPD框架将保证该算法的理论收敛。我们在本文中的贡献是三倍。首先，将两个一般PS与正常向量对齐的问题纳入了变异的贝叶斯推理框架中，该框架可以通过概括BCPD方法来解决，同时考虑了各向异性位置噪声。第二，算法迭代期间的更新参数以封闭形式或迭代解决方案给出。第三，进行了广泛的实验，以验证提出的方法及其对BCPD的显着改进。
PSIPRED蛋白质分析工作台的深度学习
主要关键词
相关文件推荐
