Registration_3DMatch
文章平均质量分 94
基于(不限)3DMatch数据集上的点云配准方法
dloading7
3D Computer Vision & Deep Learning on Point Clouds
展开
-
(NIPS 21) CoFiNet: Reliable Coarse-to-fine Correspondences for Robust Point Cloud Registration
CoFiNet: Reliable Coarse-to-fine Correspondences for Robust Point Cloud Registration原创 2022-06-27 15:22:32 · 948 阅读 · 0 评论 -
(ICPR 20) DIP: Distinctive 3D local deep descriptors
DIP[1]属于一种基于PointNet[2]网络的比较简洁的two-stage点云特征提取器,因此文章的重点并不在网络设计上面,而在输入数据local patches的准备上。因此生成正确的local patches以使用PointNet进行特征提取成为DIP的关键。Dataset Preparation按照DIP的格式要求,于作者提供的google drive中下载好3DMatch_train.zip与3DMatch_test.zip,解压后数据组织形式如下:├── 3DMatch_train.原创 2022-03-29 16:05:58 · 1833 阅读 · 3 评论 -
(CVPR 20) D3Feat: Joint Learning of Dense Detection and Description of 3D Local Features
D3Feat核心优势:1.D3Feat提供了一种联合框架,在学习描述子的同时进行关键点的检测,即最终用来做RANSAC配准的点不再是随机选取,而是选取网络学习出来的关键点。原创 2021-08-28 11:08:26 · 887 阅读 · 13 评论 -
(CVPR 21) SpinNet: Learning a General Surface Descriptor for 3D Point Cloud Registration
SpinNet核心优势:提取的点云表面特征具有旋转不变性(由标题便知)。泛化性能好:仅在3DMatch上训练,在ETH上提取特征评估得到的FMR相比其他方法更高。SpinNet核心构成:Spatial Point Transformer (这里的transformer要与NLP中的区分开…)1.1 Alignment with a Reference Axis1.2 Spherical Voxelization1.3 Transformation on the XY-Plane1.4.原创 2021-08-21 20:04:38 · 1704 阅读 · 14 评论