SuperLine3D：面向激光雷达点云的自监督线段分割与描述
计算机视觉与模式识别
2022-08-04 v1
摘要
杆状物与建筑边缘是城市道路上频繁出现的可观测物体，为各类计算机视觉任务提供了可靠的线索。为了将其作为特征重复提取并在离散激光雷达帧间进行关联以实现配准，我们提出了首个基于学习的激光雷达点云三维线条特征分割与描述模型。为了在无需耗时且繁琐的数据标注过程的情况下训练我们的模型，我们首先为目标线条的基本外观生成合成图元，并构建迭代式线条自动标注流程，以逐步精化真实激光雷达扫描中的线条标签。我们的分割模型能够在任意尺度扰动下提取线条，并且使用共享的 EdgeConv 编码器层联合训练分割头与描述头。基于该模型，我们能够在无初始变换提示的条件下，为点云配准构建一个高可用性的全局配准模块。实验表明，我们基于线条的配准方法与最先进的基于点的方法极具竞争力。我们的代码已发布于 https://github.com/zxrzju/SuperLine3D.git。
引用
@article{arxiv.2208.01925,
title = {SuperLine3D: Self-supervised Line Segmentation and Description for LiDAR Point Cloud},
author = {Xiangrui Zhao and Sheng Yang and Tianxin Huang and Jun Chen and Teng Ma and Mingyang Li and Yong Liu},
journal= {arXiv preprint arXiv:2208.01925},
year = {2022}
}
备注
17 pages, ECCV 2022 Accepted