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

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：
{ $(x_1^{(m)},x_1^{(n)}),(x_2^{(m)},x_2^{(n)}$