SelFLoc：基于大规模点云地点识别的选择性特征融合方法
计算机视觉与模式识别
2024-09-25 v3
摘要
基于点云的地点识别对移动机器人与自动驾驶车辆至关重要，尤其在全局定位传感器不可用时。LiDAR点散布于物体与建筑表面，沿不同轴具有强形状先验。为增强特定轴上的消息传递，本文设计堆叠非对称卷积块（SACB），此为本文主要贡献之一。综合实验表明，SACB采用的非对称卷积及其对应策略有助于更有效地表示点云特征。在此基础上，提出由按预定义顺序堆叠的点级与通道级门控层构成的选择性特征融合块（SFFB），以选择性增强特定关键区域的显著局部特征，并在融合前对齐特征。将SACB与SFFB结合构建鲁棒且精确的基于点云地点识别架构，称为SelFLoc。对比实验结果显示，SelFLoc在Oxford及其他三个内部基准上以平均召回率@1提升1.6个绝对百分点取得最先进（SOTA）性能。
引用
@article{arxiv.2306.01205,
title = {SelFLoc: Selective Feature Fusion for Large-scale Point Cloud-based Place Recognition},
author = {Qibo Qiu and Wenxiao Wang and Haochao Ying and Dingkun Liang and Haiming Gao and Xiaofei He},
journal= {arXiv preprint arXiv:2306.01205},
year = {2024}
}
备注
Accepted by Knowledge-Based Systems