学习融合局部几何特征用于三维刚体数据匹配
计算机视觉与模式识别
2019-04-30 v1
摘要
本文提出了一种简单而高效的数据驱动方法，用于融合低层与高层局部几何特征以进行三维刚体数据匹配。通过融合来自不同视角或子空间的低层特征来生成具有判别力的几何描述子，或利用多个高层特征来增强几何特征匹配，是普遍的做法。在先前的工作中，这些通常经由拼接和最小池化等线性操作完成。我们表明，在三元组框架下优化一个神经网络（NN）模型，对欧氏空间中的局部几何特征进行非线性融合，可以获得更紧凑且更具判别力的表示。该 NN 模型由一种改进的三元组损失函数训练，该函数充分利用了三元组内所有成对关系。此外，我们的方法所融合的描述子在与从原始数据深度学习的描述子竞争时也具有优势，同时更轻量且旋转不变。在四个具有不同数据模态和应用场景的标准数据集上的实验结果，证实了我们的方法在特征匹配与几何配准两方面的优势。
引用
@article{arxiv.1904.12099,
title = {Learning to Fuse Local Geometric Features for 3D Rigid Data Matching},
author = {Jiaqi Yang and Chen Zhao and Ke Xian and Angfan Zhu and Zhiguo Cao},
journal= {arXiv preprint arXiv:1904.12099},
year = {2019}
}