DeepPoint3D：基于深度度量学习在无序三维点云上学习判别性局部描述子
计算机视觉与模式识别
2019-04-02 v1
摘要
学习局部描述子是计算机视觉中的重要问题。尽管已有许多针对 2D 图像局部块描述子的学习技术，近期也开始致力于 3D 点局部描述子的学习。3D 领域解决该问题的最新进展通过利用基于图像的卷积神经网络的强特征表示能力，借助 RGB-D 或多视图表示来实现。然而，本文提出直接处理无序 3D 点云来学习 3D 局部描述子，无需任何中间表示。该方法构建一个深度网络以学习 3D 点的置换不变表示。为学习局部描述子，我们采用多边界对比损失，在区分表面上相似与不相似点的同时，于训练时利用负样本间的不相似程度。通过与强基线方法的全面评估，我们表明所提方法在 3D 点云点匹配上优于当前最优方法。此外，我们在多种应用中展示了所提方法的有效性，取得了当前最优结果。
引用
@article{arxiv.1904.00817,
title = {DeepPoint3D: Learning Discriminative Local Descriptors using Deep Metric Learning on 3D Point Clouds},
author = {Siddharth Srivastava and Brejesh Lall},
journal= {arXiv preprint arXiv:1904.00817},
year = {2019}
}