RPR-Net：基于点云的旋转感知大规模地点识别网络
计算机视觉与模式识别
2022-08-30 v3
摘要
基于点云的大规模地点识别是一项重要但具挑战性的任务，适用于同步定位与建图（SLAM）等诸多应用。将任务视为点云检索问题，已有方法取得了令人欣喜的进展。然而，如何处理由旋转问题引发的灾难性崩塌仍鲜有探究。本文中，为应对该问题，我们提出一种新颖的基于点云的旋转感知大规模地点识别网络（RPR-Net）。具体而言，为解决问题，我们提出分三步学习旋转不变特征。首先，我们设计三类新颖的旋转不变特征（RIFs），其为可保持旋转不变性的底层特征。其次，利用这些 RIFs，我们设计注意力模块以学习旋转不变核。第三，我们将这些核应用于先前的点云特征以生成新特征，即著名的 SO(3) 映射过程。由此可学习到高层场景特定的旋转不变特征。我们称上述过程为注意力旋转不变卷积（ARIConv）。为实现地点识别目标，我们构建 RPR-Net，以 ARIConv 为基本单元构造稠密网络架构。进而，可从 RPR-Net 中充分提取用于基于检索的地点识别的强大全局描述子。在常用数据集上的实验结果表明，我们的方法取得了与现有最先进地点识别模型相当的结果，并在解决旋转问题时显著优于其他旋转不变基线模型。
引用
@article{arxiv.2108.12790,
title = {RPR-Net: A Point Cloud-based Rotation-aware Large Scale Place Recognition Network},
author = {Zhaoxin Fan and Zhenbo Song and Wenping Zhang and Hongyan Liu and Jun He and Xiaoyong Du},
journal= {arXiv preprint arXiv:2108.12790},
year = {2022}
}
备注
Accept to ECCV 2022 AVVision Workshop