基于多尺度架构与无监督迁移学习的3D点云配准
计算机视觉与模式识别
2021-10-15 v2
摘要
我们提出一种在新且完全不同的数据集上泛化深度学习用于3D点云配准的方法。它基于两个组件：MS-SVConv 与 UDGE。利用多尺度稀疏体素卷积（Multi-Scale Sparse Voxel Convolution），MS-SVConv 是一个快速深度神经网络，从点云输出描述子以用于两场景间的3D配准。UDGE 是一种以无监督方式在未知数据集上迁移深度网络的算法。所提方法的优势在于将 MS-SVConv 与 UDGE 两个组件作为一个整体共同使用，从而在 3DMatch、ETH 和 TUM 等真实世界配准数据集上取得最先进（state-of-the-art）结果。代码已公开于 https://github.com/humanpose1/MS-SVConv 。
引用
@article{arxiv.2103.14533,
title = {3D Point Cloud Registration with Multi-Scale Architecture and Unsupervised Transfer Learning},
author = {Sofiane Horache and Jean-Emmanuel Deschaud and François Goulette},
journal= {arXiv preprint arXiv:2103.14533},
year = {2021}
}
备注
Accepted to 3DV 2021