DeepICP：一种用于三维点云配准的端到端深度神经网络
计算机视觉与模式识别
2020-07-14 v2 计算几何
图形学
摘要
我们提出 DeepICP——一种新颖的基于端到端学习的 3D 点云配准框架，其配准精度可与先前最先进的几何方法相媲美。不同于其他通常需 RANSAC 流程的基于关键点的方法，我们采用多种深度神经网络结构来实现一个端到端可训练网络。我们的关键点检测器通过该端到端结构进行训练，使系统能够避免动态物体的推断、利用静止物体上充分显著特征的帮助，从而实现高鲁棒性。与在已有点中搜索对应点不同，我们的关键贡献在于创新性地基于一组候选点间学习到的匹配概率来生成对应点，这可提升配准精度。我们的损失函数同时纳入局部相似度与全局几何约束，以确保上述所有网络设计朝正确方向收敛。我们使用 KITTI 数据集与 Apollo-SouthBay 数据集全面验证了方法的有效性。结果表明，我们的方法达到与最先进基于几何的方法相当或更好的性能。文中包含详细的消融与可视化分析，以进一步阐明网络的行为与洞见。本方法的低配准误差与高鲁棒性使其对依赖点云配准任务的诸多应用颇具吸引力。
引用
@article{arxiv.1905.04153,
title = {DeepICP: An End-to-End Deep Neural Network for 3D Point Cloud Registration},
author = {Weixin Lu and Guowei Wan and Yao Zhou and Xiangyu Fu and Pengfei Yuan and Shiyu Song},
journal= {arXiv preprint arXiv:1905.04153},
year = {2020}
}
备注
10 pages, 6 figures, 3 tables, typos corrected, experimental results updated, accepted by ICCV 2019