开源 | CVPR2020 | 3DSmoothNet完整的3D点云匹配算法，平均召回率达到94.3%，标准PC可以达到实时处理

论文地址：https://arxiv.org/abs/1811.06879

代码：https://github.com/zgojcic/3DSmoothNet.git

来源：苏黎世联邦理工学院

论文名称：The Perfect Match: 3D Point Cloud Matching with Smoothed Densities

原文作者：Zan Gojcic

本文提出了3DSmoothNet算法，是一个基于深度学习框架的，完整的3D点云匹配流程。其中包含了siamese深度网络结构和使用提速平滑密度函数（SDV）的全卷积层。后者是对所有的兴趣点进行计算，并且对齐到局部参考帧（LRF），用以保证旋转不变性。本文提出的紧凑的、学习到的旋转不变的3D描述子在3DMatch数据集上获得了94.9%的平均召回率。使用32维特征的情况下比当前的最好的算法胜过20个百分点。在标准PC机上，使用低维度的特征进行计算几乎可以达到实时的计算效率，每一点的计算耗时为0.1ms。因为SDV、LRF和学到的高描述能力的特征描述子，是通过全卷积网络生成的，所以本文的算法是与传感器和场景无关的。经过测试3DSmoothNet网络具有很好的泛化能力，仅仅使用RGB-D的室内建筑场景下数据进行训练得到的模型，用于测试室外植被的激光数据，平均召回率可以达到79.0%，这比当前最好的基于学习的算法高出了2倍。

下面是论文具体框架结构以及实验结果：

声明：文章来自于网络，仅用于学习分享，版权归原作者所有，侵权请联系删除。