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。