SALSA：用于提升LiDAR地点识别的快速自适应轻量级自注意力
计算机视觉与模式识别
2024-07-31 v2 机器人学
摘要
大规模LiDAR映射和定位利用地点识别技术来缓解定位漂移，确保精确的映射。这些技术利用LiDAR点云中的场景表示来识别数据库中以前访问的站点。为每个点云中的每个点分配局部描述符，以聚合形成点云的场景表示。这些描述符也用于根据几何适配度得分对检索到的点云进行重新排序。我们提出SALSA，一个新颖的轻量级高效框架，用于LiDAR地点识别。它由一个Sphereformer主干网络组成，该网络使用径向窗口注意力来启用稀疏远距离点的信息聚合；一个自适应注意力层用于将局部描述符聚合为标记；以及一个多层感知器Mixer层用于聚合标记以生成场景描述符。该框架在各种LiDAR地点识别数据集上以检索和度量定位两个方面均优于现有方法，同时实现实时运行。
引用
@article{arxiv.2407.08260,
title = {SALSA: Swift Adaptive Lightweight Self-Attention for Enhanced LiDAR Place Recognition},
author = {Raktim Gautam Goswami and Naman Patel and Prashanth Krishnamurthy and Farshad Khorrami},
journal= {arXiv preprint arXiv:2407.08260},
year = {2024}
}