SKD：基于显著性估计的点云关键点检测
计算机视觉与模式识别
2021-03-02 v3
摘要
我们提出 SKD，一种新颖的关键点检测器，利用显著性从点云中确定用于配准与重建等任务的最佳候选点。该方法可应用于任何可微分的深度学习描述子，通过使用该描述子相对于输入点三维位置的梯度作为其显著性的度量。显著性连同原始描述子与上下文信息在神经网络中结合，训练以学习稳健的关键点候选。该方法背后的关键直觉是，关键点并非仅作为点周围几何的结果被提取，还考虑了描述子的响应。该方法在两个大型 LIDAR 数据集——Oxford RobotCar 数据集与 KITTI 数据集上进行了评估，在可匹配性与可重复性上均获得优于最先进方法至多 50% 的提升。当使用我们的方法计算的关键点进行稀疏匹配时，我们实现了更高的内点比与更快的收敛。
引用
@article{arxiv.1912.04943,
title = {SKD: Keypoint Detection for Point Clouds using Saliency Estimation},
author = {Georgi Tinchev and Adrian Penate-Sanchez and Maurice Fallon},
journal= {arXiv preprint arXiv:1912.04943},
year = {2021}
}
备注
Accepted for publication at 2021 IEEE Robotics and Automation Letters (RA-L) + IEEE International Conference on Robotics and Automation (ICRA) presentation option. Video preview available here: https://youtu.be/Wx6FEWCgWDk