VNI-Net：基于向量神经元的 LiDAR 地点识别旋转不变描述子
计算机视觉与模式识别
2023-08-25 v1
摘要
基于 LiDAR 的地点识别在同步定位与建图 (SLAM) 和 LiDAR 定位中起着关键作用。尽管出现了各种基于深度学习和手工设计的方法，由旋转引起的地点识别失败仍是一个关键挑战。现有研究通过特定的训练策略或网络结构来解决这一局限。然而，前者未能产生令人满意的结果，而后者主要关注 SO(2) 旋转不变性的简化问题。针对 SO(3) 旋转不变性的方法在判别能力方面存在局限。本文中，我们提出一种新方法，采用向量神经元网络 (VNN) 来实现 SO(3) 旋转不变性。我们首先从邻域点中提取旋转等变特征，并通过 VNN 将低维特征映射到高维空间。随后，我们在旋转等变特征空间中计算欧氏距离与余弦距离作为旋转不变特征描述子。最后，我们使用 GeM 池化聚合特征以获得全局描述子。为解决构造旋转不变描述子时的显著信息丢失问题，我们提出在欧氏空间邻域内计算不同层特征之间的距离。这极大提升了点云描述子的判别性，同时保证了计算效率。在公开数据集上的实验结果表明，我们的方法显著优于其他实现旋转不变性的基线方法，同时与当前不考虑旋转问题的最先进地点识别方法取得了相当的结果。
引用
@article{arxiv.2308.12870,
title = {VNI-Net: Vector Neurons-based Rotation-Invariant Descriptor for LiDAR Place Recognition},
author = {Gengxuan Tian and Junqiao Zhao and Yingfeng Cai and Fenglin Zhang and Wenjie Mu and Chen Ye},
journal= {arXiv preprint arXiv:2308.12870},
year = {2023}
}