面向大规模地点识别的高效三维点云特征学习
计算机视觉与模式识别
2022-02-09 v1
摘要
基于点云的地点识别检索仍因变化环境中场景外观与光照的剧烈改变而具挑战。现有基于深度学习的检索任务全局描述子通常消耗大量计算资源(如内存),可能不适于硬件资源受限情形。本文中,我们开发高效点云学习网络(EPC-Net)以形成视觉地点识别的全局描述子,其能取得良好性能并降低计算内存与推理时间。首先,我们提出轻量而有效的神经网络模块 ProxyConv,以聚合点云局部几何特征。我们利用空间邻接矩阵与代理点简化原始边卷积以降低内存消耗。然后,我们设计轻量分组 VLAD 网络(G-VLAD)以形成检索用全局描述子。相较原始 VLAD 网络,我们提出分组全连接(GFC)层将高维向量分解为一组低维向量,可减少网络参数量并保持特征向量判别性。最后,为进一步降低推理时间,我们开发 EPC-Net 简版 EPC-Net-L,其由两 ProxyConv 模块与一最大池化层聚合全局描述子。通过自 EPC-Net 蒸馏知识,EPC-Net-L 可获得具判别性的检索全局描述子。在 Oxford 数据集与三个内部数据集上的大量实验表明,所提方法以更低参数、FLOPs 与每帧运行时间取得 SOTA 性能。
引用
@article{arxiv.2101.02374,
title = {Efficient 3D Point Cloud Feature Learning for Large-Scale Place Recognition},
author = {Le Hui and Mingmei Cheng and Jin Xie and Jian Yang},
journal= {arXiv preprint arXiv:2101.02374},
year = {2022}
}
备注
Project page: https://github.com/fpthink/EPC-Net