BPT：用于地点识别的二值点云 Transformer

地点识别作为一种识别重访地点的算法，在完整 SLAM 系统中起到后端优化触发器的作用。许多配备深度学习工具（如 MLP、CNN 和 transformer）的工作已在该研究领域取得巨大进展。点云 transformer 是应用于机器人学中地点识别的优秀框架之一，但其内存消耗大、计算代价高，不利于在移动或嵌入式设备上广泛部署各类点云 transformer 网络。为解决此问题，我们提出了一种用于地点识别的二值点云 transformer。由此，32 位全精度模型可被压缩为 1 位模型，具有更少的内存占用和更快的二值按位运算。据我们所知，这是首个可部署于移动设备、用于地点识别等在线应用的二值点云 transformer。在多个标准基准上的实验表明，所提方法可获得与相应全精度 transformer 模型相当的结果，甚至优于部分全精度深度学习方法。例如，在 Oxford RobotCar 数据集上，按平均召回率指标，所提方法在 top @1% 分别取得 93.28% 和 85.74% 的成绩。同时，在相同 transformer 结构下，模型的大小和浮点运算量分别从原始精度到二值精度减少了 56.1% 和 34.1%。