SSC：面向大规模地点识别的语义扫描上下文
计算机视觉与模式识别
2021-07-13 v2 机器人学
摘要
地点识别赋予 SLAM 系统纠正累积误差的能力。与包含丰富纹理特征的图像不同，点云几乎是纯几何信息，这使得基于点云的地点识别具有挑战性。现有工作通常将坐标、法线、反射强度等低级特征编码为局部或全局描述子来表示场景。此外，它们在匹配描述子时常常忽略点云之间的平移。与多数现有方法不同，我们探索使用高级特征即语义来提升描述子的表示能力。同时，在匹配描述子时，我们尝试校正点云间的平移以提高精度。具体而言，我们提出一种新颖的全局描述子——语义扫描上下文（Semantic Scan Context），它利用语义信息更有效地表示场景。我们还提出两步全局语义 ICP 以获取用于对齐点云以提升匹配性能的 3D 位姿（x, y, yaw）。我们在 KITTI 数据集上的实验表明，我们的方法以较大优势优于最先进的方法。我们的代码见：https://github.com/lilin-hitcrt/SSC。
引用
@article{arxiv.2107.00382,
title = {SSC: Semantic Scan Context for Large-Scale Place Recognition},
author = {Lin Li and Xin Kong and Xiangrui Zhao and Tianxin Huang and Yong Liu},
journal= {arXiv preprint arXiv:2107.00382},
year = {2021}
}
备注
8 pages, Accepted by IROS-2021