面向深度概率点集配准的配准损失学习
计算机视觉与模式识别
2020-11-05 v1
摘要
概率点集配准方法具有有趣的理论性质，例如所用点数的线性复杂度，并且易于推广到多个点集的联合配准。在这项工作中，我们将其识别性能提升至匹配当前最优水平。这是通过引入学习到的特征、在每个混合分量中添加 von Mises-Fisher 特征模型以及使用学习到的注意力权重来实现的。我们使用一种配准损失学习策略（RLL）来联合学习这些部分，该策略直接以配准误差作为损失，通过配准迭代进行反向传播。由于概率配准是完全可微的，因此这是可行的，其结果是一个真正端到端的学习框架。我们在 3DMatch 和 Kitti 数据集上进行了大量实验。实验表明，我们的方法从学习到的特征集成和我们的学习策略中显著受益，在 Kitti 上优于当前最优方法。代码可在 https://github.com/felja633/RLLReg 获取。
引用
@article{arxiv.2011.02229,
title = {Registration Loss Learning for Deep Probabilistic Point Set Registration},
author = {Felix Järemo Lawin and Per-Erik Forssén},
journal= {arXiv preprint arXiv:2011.02229},
year = {2020}
}
备注
3DV 2020