CGiS-Net：聚合颜色、几何与隐式语义特征用于室内位置识别
计算机视觉与模式识别
2022-07-13 v2
摘要
我们描述了一种基于聚合低级颜色与几何特征以及高级隐式语义特征的 RGB 点云室内位置识别新方法。它使用两阶段深度学习框架，其中第一阶段训练用于语义分割辅助任务，第二阶段利用第一阶段各层的特征生成用于位置识别的判别性描述子。该辅助任务促使特征具有语义意义，从而将 RGB 点云数据中的几何与颜色同隐式语义信息相聚合。我们使用从 ScanNet 数据集派生的室内位置识别数据集进行训练与评估，测试集包含由 100 个不同房间生成的 3,608 个点云。与一种传统基于特征的方法及四种最先进深度学习方法比较表明，我们的方法显著优于所有五种方法，例如实现了 75% 的 top-3 平均召回率，而最接近的竞争方法为 41%。我们的代码见：https://github.com/YuhangMing/Semantic-Indoor-Place-Recognition
引用
@article{arxiv.2202.02070,
title = {CGiS-Net: Aggregating Colour, Geometry and Implicit Semantic Features for Indoor Place Recognition},
author = {Yuhang Ming and Xingrui Yang and Guofeng Zhang and Andrew Calway},
journal= {arXiv preprint arXiv:2202.02070},
year = {2022}
}
备注
Accepted by 2022 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2022)