LPD-Net：用于大规模地点识别与环境分析的3D点云学习
计算机视觉与模式识别
2019-08-20 v2
摘要
基于点云的地点识别仍是一个开放问题，原因在于从原始3D点云提取局部特征并生成全局描述子困难，且在大规模动态环境中更甚。本文提出一种新颖深度神经网络，名为LPD-Net（大规模地点描述网络，Large-scale Place Description Network），可从原始3D点云提取具判别性与泛化性的全局描述子。提出自适应局部特征提取模块与基于图的邻域聚合模块，以端到端方式有助于提取大规模点云中的局部结构并揭示局部特征的空间分布。我们将所提全局描述子应用于基于点云的检索任务以实现大规模地点识别。对比结果表明，我们的LPD-Net远优于PointNetVLAD并达到最先进水平。我们还将LPD-Net与基于视觉的方案比较，以展示我们的方法对不同天气与光照条件的鲁棒性。
引用
@article{arxiv.1812.07050,
title = {LPD-Net: 3D Point Cloud Learning for Large-Scale Place Recognition and Environment Analysis},
author = {Zhe Liu and Shunbo Zhou and Chuanzhe Suo and Yingtian Liu and Peng Yin and Hesheng Wang and Yun-Hui Liu},
journal= {arXiv preprint arXiv:1812.07050},
year = {2019}
}
备注
This paper has been accepted by ICCV-2019