用于点云配准的自监督点集局部描述子
机器人学
2020-03-12 v1
摘要
在本工作中，我们提出以自监督方式学习点云的局部描述子。在训练的每个迭代中，网络的输入仅为一个无标签点云。在我们先前直接一步求解无对应点两时点集间变换的工作基础上，所提方法能够通过监督我们随机生成的其自旋转，从单个点云进行训练。整个训练无需人工标注。在若干实验中，我们在多种数据集上评估了方法性能，并与其他 SOTA 算法比较。结果表明，我们的自监督学习描述子取得了与有监督学习模型相当甚至更优的性能，同时更易于训练且不需要标注数据。
引用
@article{arxiv.2003.05199,
title = {Self-supervised Point Set Local Descriptors for Point Cloud Registration},
author = {Yijun Yuan and Jiawei Hou and Andreas Nüchter and Sören Schwertfeger},
journal= {arXiv preprint arXiv:2003.05199},
year = {2020}
}