DH3D：用于鲁棒大规模 6DoF 重定位的深度分层三维描述子
计算机视觉与模式识别
2020-07-21 v1
摘要
针对大规模点云中的重定位，我们提出首个统一全局地点识别与局部 6DoF 位姿精化的方法。为此，我们设计了一个孪生网络，直接从原始三维点联合学习三维局部特征检测与描述。它集成 FlexConv 与 Squeeze-and-Excitation (SE) 以确保所学局部描述子捕获多层次几何信息与通道间关系。为检测三维关键点，我们以无监督方式预测局部描述子的判别性。我们通过有效的注意力机制直接聚合所学局部描述子来生成全局描述子。以此方式，局部与全局三维描述子可在单次前向传播中推断得出。在各基准上的实验表明，与 SOTA 方法相比，我们的方法在全局点云检索与局部点云配准上均取得有竞争力的结果。为验证我们三维关键点的泛化性与鲁棒性，我们展示了无需微调时，我们的方法在由视觉 SLAM 系统生成的点云配准上也表现良好。代码与相关材料见 https://vision.in.tum.de/research/vslam/dh3d。
引用
@article{arxiv.2007.09217,
title = {DH3D: Deep Hierarchical 3D Descriptors for Robust Large-Scale 6DoF Relocalization},
author = {Juan Du and Rui Wang and Daniel Cremers},
journal= {arXiv preprint arXiv:2007.09217},
year = {2020}
}
备注
ECCV 2020, sportlight