LiDAR姿态识别的二阶特征聚合深入分析

高效LiDAR姿态识别(LPR)将稠密点特征压缩为紧凑的全局描述符。虽然广泛使用的一阶聚合器如GeM和NetVLAD忽略了二阶聚合所自然捕获的特征间相关性。全协方差是常见的二阶聚合器，维数高；因此，实践者常插入学习投影或采用随机抽样——两者要么牺牲信息，要么增加参数数量。然而，尚无前期工作系统性地探讨一阶与二阶聚合在受限特征和计算预算下的性能。本文首先表明，即使削减通道数和 Backbone 参数，二阶聚合仍保持优势。基于此洞见，我们提出基于通道分区的二阶局部特征聚合(CPS)：一种即插即用的基于分区的二阶聚合模块，在保留所有通道的同时产生数量级更小的描述符。CPS在四大规模基准测试中( Oxford RobotCar、In-house、MulRan和WildPlaces)匹配或优于全协方差，并优于随机投影变体，仅凭四个额外可学习参数即可实现新的状态最佳成绩。