学习用于点云配准的通用且具区分性的三维局部深度描述子
计算机视觉与模式识别
2022-05-16 v3 机器人学
摘要
有效的三维描述子应对于不同几何变换（如尺度与旋转）具有不变性，对遮挡与杂波具有鲁棒性，并能够泛化到不同应用领域。我们提出一种简单而有效的方法，学习可用于配准不同域所获取点云的通用且具区分性的三维局部描述子。提取点云块，依据其局部参考系进行规范化，并通过一个对输入点置换不变的深度神经网络编码为尺度与旋转不变的紧致描述子。这一设计使我们的描述子能够跨域泛化。我们在多个由 RGBD 传感器与激光扫描仪重建的室内外数据集上，将我们的描述子与替代的手工设计与基于深度学习的描述子进行评估和比较。我们的描述子在泛化性方面大幅优于近期多数描述子，并且在训练与测试于同一域的基准中也成为最先进水平（SOTA）。
引用
@article{arxiv.2105.10382,
title = {Learning general and distinctive 3D local deep descriptors for point cloud registration},
author = {Fabio Poiesi and Davide Boscaini},
journal= {arXiv preprint arXiv:2105.10382},
year = {2022}
}
备注
Accepted in IEEE Transactions on Pattern Analysis and Machine Intelligence