LoGG3D-Net：用于三维地点识别的局部引导全局描述子学习
计算机视觉与模式识别
2022-09-27 v3 机器人学
摘要
基于检索的地点识别是在预建地图内重新定位或用于同步定位与建图（SLAM）的全局数据关联的一种高效且有效的解决方案。这种方法的准确性严重依赖于所提取场景级表示的质量。虽然端到端方案——从输入点云学习全局描述子——已展现出有前景的结果，但此类方法在局部特征层面强制施加期望属性的能力上受到限制。本文中，我们引入一种局部一致性损失，以引导网络学习在重复访问间一致的局部特征，从而产生更具可重复性的全局描述子，整体上提升三维地点识别性能。我们将我们的方法构建为一个称为LoGG3D-Net的端到端可训练架构。在两个大规模公开基准（KITTI和MulRan）上的实验表明，我们的方法在KITTI和MulRan上分别取得了和的平均分数，在接近实时运行的同时达到了最先进性能。开源实现可在以下地址获取：https://github.com/csiro-robotics/LoGG3D-Net。
引用
@article{arxiv.2109.08336,
title = {LoGG3D-Net: Locally Guided Global Descriptor Learning for 3D Place Recognition},
author = {Kavisha Vidanapathirana and Milad Ramezani and Peyman Moghadam and Sridha Sridharan and Clinton Fookes},
journal= {arXiv preprint arXiv:2109.08336},
year = {2022}
}
备注
Accepted - ICRA 2022