distinctive 三维局部深度描述子
计算机视觉与模式识别
2020-12-29 v2
摘要
我们提出一种简单而有效的学习方法，用于学习 distinctive 三维局部深度描述子（DIPs），其可在无需初始对齐的情况下配准点云。我们提取点云块，依据估计的局部参考系进行规范化，并通过基于 PointNet 的深度神经网络编码为旋转不变的紧凑描述子。DIPs 因从局部随机采样点端到端学习，可有效泛化至不同传感器模态。由于 DIPs 仅编码局部几何信息，其对杂波、遮挡与缺失区域具有鲁棒性。我们在由不同传感器重建的若干室内外点云数据集上评估并对比了 DIPs 与替代的手工及深度描述子。结果表明，DIPs（i）在 RGB-D 室内场景（3DMatch 数据集）上取得与最优方法相当的结果，（ii）在激光扫描室外场景（ETH 数据集）上大幅优于最优方法，（iii）可泛化至由 Android ARCore 的 Visual-SLAM 系统重建的室内场景。源代码：https://github.com/fabiopoiesi/dip。
引用
@article{arxiv.2009.00258,
title = {Distinctive 3D local deep descriptors},
author = {Fabio Poiesi and Davide Boscaini},
journal= {arXiv preprint arXiv:2009.00258},
year = {2020}
}
备注
IEEE International Conference on Pattern Recognition 2020