点云时序序列全局配准的无监督学习
计算机视觉与模式识别
2020-06-23 v1 机器学习
摘要
点云的全局配准旨在找到 2D 或 3D 点集序列的最优对齐。在本文中,我们提出了一种新颖的方法,利用当前深度学习技术从无监督地学习点云时序序列的全局配准。我们的关键创新在于引入了深度时空表示(STREP)特征,它描述了在未知环境中由传感器获取的点云序列的时空关系的几何本质。与以往将每个时间步(成对配准)单独处理的做法不同,我们的无监督模型从优化潜 STREP 特征序列开始,然后将其解码为时空连续的几何变换序列,以全局对齐多个点云。我们在模拟 2D 和真实 3D 数据集上评估了所提方法,实验结果表明我们的方法通过考虑深度特征学习中的时序信息能够击败其他技术。
引用
@article{arxiv.2006.12378,
title = {Unsupervised Learning of Global Registration of Temporal Sequence of Point Clouds},
author = {Lingjing Wang and Yi Shi and Xiang Li and Yi Fang},
journal= {arXiv preprint arXiv:2006.12378},
year = {2020}
}