用于大规模室外点云配准的深度语义图匹配
计算机视觉与模式识别
2023-10-19 v2
摘要
当前点云配准方法主要基于局部几何信息，通常忽略场景中包含的语义信息。本文将点云配准问题视为语义实例匹配与配准任务，并提出一种用于大规模室外点云配准的深度语义图匹配方法（DeepSGM）。首先，利用语义分割网络获取三维点的语义类别标签。随后使用欧氏聚类算法将具有相同类别标签的相邻点聚为一类，得到语义实例，其由空间位置信息、语义类别信息与全局几何形状信息三类属性表示。其次，基于语义实例的空间邻接关系构建语义邻接图。为充分挖掘同一场景与跨场景语义实例间的拓扑结构，利用图卷积网络学习空间分布特征与语义类别特征，并利用类 PointNet 的网络学习全局几何形状特征。这三类特征进一步通过自注意力与交叉注意力机制增强。第三，将语义实例匹配表述为最优传输问题，并通过最优匹配层求解。最后，先由 SVD 算法估计两点云间几何变换矩阵，再由 ICP 算法精炼。在 KITTI Odometry 数据集上的实验结果表明，所提方法提升了配准性能并优于多种最先进方法。
引用
@article{arxiv.2308.05314,
title = {Deep Semantic Graph Matching for Large-scale Outdoor Point Clouds Registration},
author = {Shaocong Liu and Tao Wang and Yan Zhang and Ruqin Zhou and Li Li and Chenguang Dai and Yongsheng Zhang and Longguang Wang and Hanyun Wang},
journal= {arXiv preprint arXiv:2308.05314},
year = {2023}
}
备注
12 pages, 6 figures