三维点云中场景流的分层注意力学习
计算机视觉与模式识别
2021-06-09 v1
摘要
场景流表示动态环境中每个点的3D运动。如同表示2D图像中像素运动的光流，场景流的3D运动表示为许多应用带来益处，例如自动驾驶和服务机器人。本文研究从连续两帧3D点云估计场景流的问题。本文提出一种具有双重注意力的新型分层神经网络，用于学习相邻帧中点特征的相关性，并逐层由粗到细地细化场景流。所提网络具有一种新颖的以多换少(more-for-less)分层架构。以多换少意指用于场景流估计的输入点数量大于输出点数量，这带来了更多输入信息并平衡了精度与资源消耗。在该分层架构中，不同层级的场景流被分别生成与监督。引入一种新颖的注意力嵌入模块，以块对块方式通过双重注意力方法聚合相邻点特征。在我们的网络设计中仔细考虑了用于流嵌入和流监督的适当层。实验表明，所提网络在FlyingThings3D和KITTI Scene Flow 2015数据集上优于最先进的3D场景流估计性能。我们还将所提网络应用于真实的LiDAR里程计任务，这是自动驾驶中的关键问题。实验结果证明我们的网络可优于基于ICP的方法，并展现出良好的实际应用能力。
引用
@article{arxiv.2010.05762,
title = {Hierarchical Attention Learning of Scene Flow in 3D Point Clouds},
author = {Guangming Wang and Xinrui Wu and Zhe Liu and Hesheng Wang},
journal= {arXiv preprint arXiv:2010.05762},
year = {2021}
}
备注
13 pages, 7 figures, under review