RPSRNet：基于 Barnes-Hut $2^D$-树表示的端到端可训练刚体点集配准网络
计算机视觉与模式识别
2021-04-13 v1
摘要
我们提出 RPSRNet——一种用于刚体点集配准的新型端到端可训练深度神经网络。针对该任务，我们对输入点集使用一种新颖的 -树表示，并在神经网络中采用分层深度特征嵌入。我们网络中的迭代变换精化模块提升了中间阶段的特征匹配精度。我们实现了 12-15ms 的推理速度，以配准一对大至 250K 的输入点云。在（i）KITTI LiDAR 里程计与（ii）ModelNet-40 数据集上的广泛评估表明，我们的方法优于先前的 SOTA 方法——例如，在 KITTI 数据集上，旋转和翻译精度分别比 DCP-v2 好 1.3 和 1.5 倍，比 PointNetLK 好 1.8 和 1.9 倍。在 ModelNet40 上的评估表明，当样本含有大量噪声及其他扰动时，RPSRNet 比其他基准方法更鲁棒。RPSRNet 能准确配准具有非均匀采样密度的点云，例如 LiDAR 数据，这是许多现有基于深度学习的配准方法无法处理的。
引用
@article{arxiv.2104.05328,
title = {RPSRNet: End-to-End Trainable Rigid Point Set Registration Network using Barnes-Hut $2^D$-Tree Representation},
author = {Sk Aziz Ali and Kerem Kahraman and Gerd Reis and Didier Stricker},
journal= {arXiv preprint arXiv:2104.05328},
year = {2021}
}
备注
Computer Vision and Pattern Recognition (CVPR) 2021, (*Accepted)