RSKDD-Net：基于随机采样的关键点检测器与描述子
计算机视觉与模式识别
2020-10-26 v1
摘要
关键点检测器与描述子是点云配准的两个主要组成部分。先前基于学习的关键点检测器依赖于逐点显著性估计或最远点采样（FPS）进行候选点选择，效率低且不适用于大规模场景。本文提出基于随机采样的关键点检测器与描述子网络（RSKDD-Net）用于大规模点云配准。其核心思想是利用随机采样高效选择候选点，并采用基于学习的方法联合生成关键点和描述子。为解决随机采样的信息损失，我们提出一种新颖的随机扩张聚类策略以扩大每个采样点的感受野，并利用注意力机制聚合邻点的位置与特征。此外，我们提出一种匹配损失以弱监督方式训练描述子。在两个大规模室外 LiDAR 数据集上的大量实验表明，所提 RSKDD-Net 取得了最先进的性能，且比现有方法快 15 倍以上。我们的代码见 https://github.com/ispc-lab/RSKDD-Net。
引用
@article{arxiv.2010.12394,
title = {RSKDD-Net: Random Sample-based Keypoint Detector and Descriptor},
author = {Fan Lu and Guang Chen and Yinlong Liu and Zhongnan Qu and Alois Knoll},
journal= {arXiv preprint arXiv:2010.12394},
year = {2020}
}
备注
Accepted to NeurIPS 2020