CALM-Net: 基于曲率感知的 LiDAR 点云多分支神经网络用于车辆重识别
计算机视觉与模式识别
2025-10-17 v1
摘要
本文提出了 CALM-Net，一种基于曲率感知的 LiDAR 点云多分支神经网络，用于车辆重识别。所提出的模型解决了从三维点云中学习判别性和互补性特征以区分车辆的挑战。CALM-Net 采用多分支架构，集成了边缘卷积、点注意力以及表征点云局部表面变化的曲率嵌入。通过结合这些机制，该模型学习了更丰富的几何和上下文特征，非常适合重识别任务。在大型 nuScenes 数据集上的实验评估表明，与本研究中最强的基线相比，CALM-Net 的平均重识别准确率提高了约 1.97 个百分点。结果证实了将曲率信息融入深度学习架构的有效性，并突显了多分支特征学习对于基于 LiDAR 点云的车辆重识别的益处。
引用
@article{arxiv.2510.14576,
title = {CALM-Net: Curvature-Aware LiDAR Point Cloud-based Multi-Branch Neural Network for Vehicle Re-Identification},
author = {Dongwook Lee and Sol Han and Jinwhan Kim},
journal= {arXiv preprint arXiv:2510.14576},
year = {2025}
}
备注
10 pages, 7 figures