SpinNet：用于三维点云配准的通用表面描述子学习
计算机视觉与模式识别
2021-04-12 v2 人工智能
机器学习
机器人学
摘要
提取鲁棒且通用的三维局部特征是点云配准与重建等下游任务的关键。现有的基于学习的局部描述子要么对旋转变换敏感，要么依赖于既不具备通用性也不具代表性的经典手工特征。本文提出一种新颖且概念简洁的神经网络架构，称为 SpinNet，用于提取具有旋转不变性同时信息充分以支持精确配准的局部特征。首先引入空间点变换器（Spatial Point Transformer），将输入局部表面映射到精心设计的柱面空间中，从而实现具有 SO(2) 等变表示的端到端优化。随后利用基于点的强大神经网络层与三维柱面卷积神经网络层构成的神经特征提取器，推导出用于匹配的紧凑且具有代表性的描述子。在室内与室外数据集上的大量实验表明，SpinNet 大幅优于现有的最优技术。更为关键的是，它在具有不同传感器模态的未知场景间具有最佳的泛化能力。代码见 https://github.com/QingyongHu/SpinNet。
引用
@article{arxiv.2011.12149,
title = {SpinNet: Learning a General Surface Descriptor for 3D Point Cloud Registration},
author = {Sheng Ao and Qingyong Hu and Bo Yang and Andrew Markham and Yulan Guo},
journal= {arXiv preprint arXiv:2011.12149},
year = {2021}
}