利用图注意力网络学习稠密特征用于点云配准
计算机视觉与模式识别
2022-11-07 v2
摘要
点云配准是定位、建图、跟踪与重建等诸多应用中的基础任务。成功的配准依赖于提取鲁棒且具判别力的几何特征。尽管现有基于学习的方法需较高计算能力以同时处理大量原始点，但借助GPU的强大并行计算，计算能力限制已不成问题。本文提出一种利用图注意力网络高效且经济地提取稠密特征用于点云匹配与配准的框架（DFGAT）。DFGAT的检测器负责在大型原始数据集中寻找高可靠关键点。DFGAT的描述子将这些关键点与其邻域结合，提取不变密度特征以备匹配。图注意力网络（GAT）利用注意力机制丰富点云间关系。最后，我们将其视为最优传输问题并使用Sinkhorn算法寻找正负匹配。我们在KITTI数据集上进行了充分测试并评估了该方法的有效性。结果表明，相较于其他SOTA方法，该方法的紧凑关键点选择与描述可实现最佳匹配指标，并达到99.88%的最高配准成功率。
引用
@article{arxiv.2206.06731,
title = {Learning Dense Features for Point Cloud Registration Using a Graph Attention Network},
author = {Quoc Vinh Lai Dang and Sarvar Hussain Nengroo and Hojun Jin},
journal= {arXiv preprint arXiv:2206.06731},
year = {2022}
}
备注
15 pages, 3 figures