LCD：用于 2D-3D 匹配的习得跨域描述子
计算机视觉与模式识别
2019-11-22 v1
摘要
本文提出一种学习用于 2D 图像与 3D 点云匹配的局部跨域描述子的新方法。我们提出的方法是一个双自编码器神经网络，将 2D 与 3D 输入映射到共享的潜空间表示。我们表明，共享嵌入中的此类局部跨域描述子比在 2D 与 3D 域中单独训练得到的描述子更具判别力。为便利训练过程，我们通过从公开可用的 RGB-D 场景中收集约 百万对具有不同光照条件和设置的 2D-3D 对应点构建了一个新数据集。我们的描述子在三个主要实验中评估：2D-3D 匹配、跨域检索与稀疏到稠密深度估计。实验结果证实了方法的鲁棒性，以及其在解决跨域任务乃至泛化解决单一 2D 与 3D 任务时的竞争性能。我们的数据集与代码已在 \url{https://hkust-vgd.github.io/lcd} 公开发布。
引用
@article{arxiv.1911.09326,
title = {LCD: Learned Cross-Domain Descriptors for 2D-3D Matching},
author = {Quang-Hieu Pham and Mikaela Angelina Uy and Binh-Son Hua and Duc Thanh Nguyen and Gemma Roig and Sai-Kit Yeung},
journal= {arXiv preprint arXiv:1911.09326},
year = {2019}
}
备注
Accepted to AAAI 2020 (Oral)