DeepICP 新颖的端到端的点云匹配算法，通过自动生成关键点进行匹配

论文地址：https://arxiv.org/abs/1905.04153v2 代码： 来源：ADT 论文名称：DeepICP: An End-to-End Deep Neural Network for 3D Point CloudRegistration 原文作者：Weixin Lu

本文提出了DeepICP算法，是一个新颖的端到端3D点云配准网络框架，该配准框架的配准精度可与现有的最先进的几何方法相媲美。不同于其他基于关键的点算法需要使用RANSAC进行关键点的过滤，我们实现了使用各种深度神经网络结构来建立端到端的可训练网络。我们的关键点检测器通过端到端的结构进行训练，使系统可以过滤动态对象，充分利用了静止对象的显著特征，从而实现了算法高鲁棒性。本文的关键贡献在于，没有在已有的点中寻找对应的点，而是基于一组候选点之间的学习匹配概率，创新性的生成关键点，从而提高了配准的准确性。本文的损失函数融合了局部相似度和全局几何约束，以保证所有的网络结构都能向正确的方向收敛。我们使用KITTI数据集和apollo数据集全面验证了我们的方法的有效性。结果表明，我们的方法取得了与最先进的基于几何的方法相当或更好的性能。详细的消融和可视化分析包括，以进一步说明我们的行为和洞察力的网络。该方法具有较低的配准误差和较高的鲁棒性，对依赖点云配准任务的实际应用具有一定的吸引力。

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，侵权请加上文微信联系删除。