从合成数据学习用于跨源点云配准的3D描述子
计算机视觉与模式识别
2017-09-01 v1
摘要
随着3D传感器的发展，来自不同种类传感器的3D数据（如点云）的配准不可或缺且需求巨大。然而，由于密度变化、数据缺失、不同视点、噪声与离群点以及几何变换，不同传感器间的点云配准具有挑战性。本文中，我们提出一种学习3D描述子的方法，用于寻找这些困难点云之间的对应关系。为训练深度学习框架，我们使用合成3D点云作为输入。从合成数据集出发，我们采用基于区域的采样方法从合成样本中选择合理、大量且多样的训样样本。然后，我们使用数据增强使我们的网络对旋转变换具有鲁棒性。我们将工作聚焦于更通用的情形，即来自不同传感器的点云，称为跨源点云。实验表明，我们的描述子不仅能够泛化到新场景，还能泛化到不同传感器。结果证明，所提方法成功对齐了两幅3D跨源点云，优于 state-of-the-art 方法。
引用
@article{arxiv.1708.08997,
title = {Learning a 3D descriptor for cross-source point cloud registration from synthetic data},
author = {Xiaoshui Huang},
journal= {arXiv preprint arXiv:1708.08997},
year = {2017}
}