完美匹配：基于平滑密度的三维点云匹配
计算机视觉与模式识别
2019-12-03 v3
摘要
我们提出 3DSmoothNet，一种利用连体深度学习架构和全卷积层、采用体素化平滑密度值（SDV）表示来匹配三维点云的完整流程。该表示针对每个兴趣点计算并与局部参考系（LRF）对齐以实现旋转不变性。我们紧凑的、可学习的、旋转不变的三维点云描述子在 3DMatch 基准数据集上实现了 94.9% 的平均召回率，以仅 32 维输出超越最先进水平（SOTA）逾 20 个百分点。这一极低的输出维度允许在标准 PC 上以每个特征点 0.1 ms 的近实时对应搜索。由于 SDV、LRF 以及利用全卷积层学习高度描述性特征，我们的方法对传感器和场景均不可知。我们表明，仅在建筑物的 RGB-D 室内场景上训练的 3DSmoothNet 在室外植被的激光扫描上实现了 79.0% 的平均召回率，是我们最接近的基于学习的竞争对手性能的两倍多。代码、数据和预训练模型可在 https://github.com/zgojcic/3DSmoothNet 在线获取。
引用
@article{arxiv.1811.06879,
title = {The Perfect Match: 3D Point Cloud Matching with Smoothed Densities},
author = {Zan Gojcic and Caifa Zhou and Jan D. Wegner and Andreas Wieser},
journal= {arXiv preprint arXiv:1811.06879},
year = {2019}
}
备注
CVPR 2019