StickyPillars：基于图神经网络的点云鲁棒高效特征匹配
计算机视觉与模式识别
2021-02-22 v3
摘要
实时鲁棒的点云配准是许多建图与定位算法的重要前提。ICP等传统方法在没有良好初始化、重叠不足或存在动态物体时往往失败。现代基于深度学习的配准方法给出了好得多的结果，但受限于沉重的运行时间。我们通过引入StickyPillars克服了这些缺陷，这是一种快速、准确且极其鲁棒的面向点云的深度中间端3D特征匹配方法。它使用图神经网络，并借助基于transformer的多头自注意力与交叉注意力在稀疏3D关键点上进行上下文聚合。网络输出被用作最优传输问题的代价，其解给出最终匹配概率。该系统不依赖手工设计的特征描述子或启发式匹配策略。我们在KITTI数据集上展示了配准问题上领先的准确性结果，同时比领先的深度方法快四倍。此外，我们将我们的匹配系统集成进一个LiDAR里程计流水线，在KITTI里程计数据集上取得了最准确的结果。最后，我们在KITTI里程计上展示了鲁棒性。在最先进方法因丢帧和更高速度而失败的情况下，我们的方法在精度上保持稳定。
引用
@article{arxiv.2002.03983,
title = {StickyPillars: Robust and Efficient Feature Matching on Point Clouds using Graph Neural Networks},
author = {Kai Fischer and Martin Simon and Florian Oelsner and Stefan Milz and Horst-Michael Gross and Patrick Maeder},
journal= {arXiv preprint arXiv:2002.03983},
year = {2021}
}