获取完整原文,公众号回复:2007.09217
论文地址: https://arxiv.org/pdf/2007.09217.pdf
代码: https://github.com/JuanDuGit/DH3D.git
来源: 慕尼黑工业大学
论文名称:DH3D: Deep Hierarchical 3D Descriptors for Robust Large-Scale 6DoF Relocalization
原文作者:Juan Du
内容提要
本文是第一个提出了使用神经网络实现在大规模点云地图中进行重定位的算法,可以实现全局的位置识别和局部的6DOF精确定位。为了实现这个目的我们设计了一个孪生网络,可以同时在原始点云数据中提取局部3D点云特征点和描述子。本文算法集成了FlexConv和Squeeze-and-Excitation (SE),以确保学习的局部描述符,能够捕获多层次的几何信息和通道间的关系。为了准确的提取3D关键点,我们使用一个无监督的方式来预测具有区分性的局部描述子。我们通过使用有效的注意机制,直接聚合学习到的局部描述符,来生成全局描述符。通过这种方法,局部和全局3D描述符可以在一步处理中被推断出来。在各种基准上的实验表明,与现有的方法相比,我们的方法在全局点云检索和局部点云配准方面都取得了具有竞争力的结果。为了验证我们的3D关键点的通用性和鲁棒性,我们证明了本文方法在不微调由视觉SLAM系统生成的点云配准的情况下也具有良好的性能。
主要框架及实验结果
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。