论文阅读笔记(一)3DFeat-Net：Weakly Supervised Local 3D Features for Point Cloud Registration

修理费用250

于 2021-07-06 15:56:43 发布

阅读量1.2k

点赞数 1

分类专栏：点云深度特征提取文章标签：自动驾驶

本文链接：https://blog.csdn.net/qq_43173635/article/details/118515722

版权

3DFeat-Net是一种通过弱监督学习来获取点云匹配局部3D特征和描述子的方法，适用于自动驾驶中的点云注册。它利用GPS/INS标记的点云，通过网络结构学习特征对应，无需人工标注。实验证明其在户外激光雷达数据集上的性能优越。

摘要由CSDN通过智能技术生成

文章链接：3DFeat-Net：Weakly Supervised Local 3D Features for Point Cloud Registration
代码地址：[github]
摘要：本文提出了3D Feat-Net，它通过弱监督学习用于点云匹配的3D特征及其描述子。不同于现有研究，我们不需要人工标注的匹配点簇。相反地，我们利用对齐和注意力机制从GPS/INS标记的三维点云中学习特征的对应关系，而不是明确地指定（对应关系）。我们创建了训练和基准户外激光雷达数据集，实验表明3DFeat网络在这些重力对准数据集上获得了最先进的性能。

一、问题描述：

点云 $P$ 用大小为 $N$ 的3D点集表示：{ $x_i|i=1,2,...,N$ }，每一个点云 $P^{(m)}$ 都是以其中心 $c_m$ 为球心，固定大小的半径 $R$ 范围内裁剪出来的。我们假定在训练过程中，点云的绝对位姿可以从GPS/INS中获得，但其精度不足以推断点的对应关系。我们以两点云中心的欧式距离度量点云之间的距离： $d(m,n)=||c_m-c_n||_2$ 。
我们使用三元组{ $P^{(anc)}, P^{(pos)},P^{(neg)}$ }进行训练。我们定义正实例为其到anchor的距离小于一个阈值，即 $d(anc,pos)<\tau_p$ ，负实例为其到anchor的距离大于一定阈值，即 $d(anc,pos)>\tau_n$ 。阈值的选择要使得正实例和负实例与anchor有较大或较小的重叠。
网络的目标是学习寻找对应关系集合：
{ $(x_1^{(m)},x_1^{(n)}),(x_2^{(m)},x_2^{(n)}),...,(x_L^{(m)},x_L^{(n)})|x_i^{(m)}\in P^{(m)},x_j^{(n)} \in P^{(n)}$