论文精读:RPM-Net: Robust Point Matching using Learned Features

已于 2023-12-03 23:10:02 修改
阅读量2k 收藏 1
点赞数
分类专栏： 3D点云实战+目标追踪+姿态估计+行人重识别 文章标签： 计算机视觉 人工智能 深度学习 神经网络
于 2023-01-05 22:53:15 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_52053775/article/details/128569589
版权
RPM-Net是一种基于深度学习的刚性点云配准方法，通过学习混合特征距离和退火参数，提高了配准的鲁棒性和初始化不敏感性。与传统的ICP算法相比，RPM-Net在处理噪声和部分可见性点云时表现更优，尤其在应对离群点方面更具优势。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

论文地址:https://arxiv.org/pdf/2003.13479.pdf

源码详解:RPM-Net源码详解_樱花的浪漫的博客-CSDN博客

数据及代码见文末 

点云配准任务

点云配准可以当做一个基础的上游任务，根据从不同视角下获取的点云数据配准为完整的点云数据，下游任务众多

基本任务:求一个变换矩阵，使得两个具有未知点的点云数据重合。

刚性与非刚性：

刚性配准：旋转和平移操作（通常不改变大小）

非刚性配准

了解本专栏 订阅专栏 解锁全文 超级会员免费看
RPM-Net: 基于学习特征的鲁棒点云匹配
EvktJava的博客
09-28 709
点云匹配是指在不同的点云之间找到对应的点，并建立它们之间的关联。《RPM-Net: Robust Point Matching using Learned Features》是一篇关于点云匹配的论文，提出了一种名为RPM-Net的方法，通过学习特征来实现鲁棒的点云匹配。对于点云相关的应用领域，RPM-Net提供了一种有效的解决方案，并为进一步的研究提供了有价值的思路和方法。RPM-Net的实验结果表明，与传统的点云匹配方法相比，该方法在鲁棒性和准确性方面取得了显著的改进。
【图像拼接】论文精读：Seam-guided local alignment and stitching for large parallax images
热门推荐
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
12-04 2万+
论文题目：Seam-guided local alignment and stitching for large parallax images——大视差图像的接缝引导局部对齐和拼接SPW的作者廖老师的最新文章！接缝切割方法已被证明在图像拼接的组成步骤中是有效的，特别是对于视差的图像。然而，接缝切割的有效性通常取决于图像可以大致对齐，以便存在可以找到合理接缝的局部区域。对于视差较大的图像，当前的对齐方法往往缺乏期望。在本文中，我们提出了一种由接缝质量评估引导的局部对齐和拼接方法。
RPM-Net: Robust Point Matching using Learned Features精读
weixin_49053303的博客
07-09 1213
迭代最近点（ICP）算法通过两个步骤迭代地解决刚性点云配准问题：（1）进行空间上最近点对应的硬分配，然后（2）找到最小二乘刚性变换。基于空间距离的最近点对应的硬分配对初始刚性变换和噪声/离群点非常敏感，这通常会导致ICP收敛到错误的局部最小值。在本文中，我们提出了RPM-Net——一种对初始化不敏感且更稳健的基于深度学习的刚性点云配准方法。为此，我们的网络使用可微分的Sinkhorn层和退火来从空间坐标和局部几何形状中学习的混合特征中获得点对应的软分配。
RPM-Net: Robust Point Matching using Learned Features 2020 论文笔记
phy12321的博客
05-17 6804
通讯作者：Gim Hee Lee 第一作者：Zi Jian Yew 研究机构：新加坡国立大学 代码链接：https://github.com/yewzijian/RPMNet 论文解决的问题 解决了点云刚性配准任务中，对初始刚性变换和噪声/离群点敏感的问题。 现有方法的不足 & 本文贡献 迭代最近点法（ICP）分两步迭代求解刚性点云配准问题： 对空间上最近点对应关系进行硬赋值， 求出最小二乘刚性变换 然而，基于空间距离的最近点对应的硬赋值对初始刚性变换和离群点敏感，往往导致ICP收敛到错误..
[CVPR 2020] RPM-Net: Robust Point Matching using Learned Features
zhulf0804的博客
10-14 8957
零、概要 论文: RPM-Net: Robust Point Matching using Learned Features tag: CVPR 2020; registration 代码: https://github.com/yewzijian/RPMNet/ 作者: Zi Jian Yew, Gim Hee Lee 机构: Department of Computer Science, National University of Singapore 笔者整理了一个最近几年150多篇点云的论文列表，
点云配准
weixin_42783619的博客
05-17 344
ICP点云配准 ICP点云配准思路 主要需要修改的是，通过数据辅助的方式进行粗配准 例如：normal shooting、projection、feature descriptor matching 参考：https://blog.csdn.net/jsgaobiao/article/details/78873718
Robust Point Matching源代码(RPM)，matlab2021a测试。
05-01
为此，RMP-Net使用可微的Sinkhorn层和退火(Annealing)技术，利用从空间坐标和局部几何信息中学习到的混合特征，实现点对应(point correspondences)的软(soft)分配。为了提高配准性能，作者引入了第二个网络来预测...
论文精读系列文章——Point-LIO: Robust High-Bandwidth Light Detection and Ranging Inertial Odometry
YangtseJin的博客
03-22 2256
Point-LIO: Robust High-Bandwidth Light Detection and Ranging Inertial Odometry
点云配准论文阅读笔记
m0_46471042的博客
08-04 3520
1.《RPM-Net: Robust Point Matching using Learned Features》 CVPR2020 论文链接：http://arxiv.org/abs/2003.13479v1 代码链接：https://github.com/yewzijian/RPMNet 解决了点云刚性配准任务中，对初始刚性变换和噪声/离群点敏感的问题。 基于空间距离的最近点对应的硬赋值对初始刚性变换和噪声/离群点敏感，往往导致ICP收敛到错误的局部极小值。RPM比ICP更为健壮，但它仍然对初始化和局
点云配准（RPM-Net: Robust Point Matching using Learned Features）源码
Vertira的博客
04-10 1161
RPM-Net: Robust Point Matching using Learned Features
点云匹配算法 02
darren_pty
05-08 206
配准
RPM-Net源码解析：点云重建算法详解
YadxFix的博客
09-26 654
通过详细解析源代码，我们了解了RPM-Net的整体结构，包括数据预处理、网络定义、损失函数以及训练和测试过程。网络定义：RPM-Net的核心是一个深度神经网络，它负责学习点云的特征表示并输出重建的点云。需要注意的是，以上代码片段只是RPM-Net的简化示例，实际的代码可能更加复杂，并包含额外的模块和技巧来提高算法的性能和稳定性。损失函数：在训练过程中，我们需要定义一个合适的损失函数来度量重建点云与真实点云之间的差异。通过以上源代码的解析，我们对RPM-Net的实现原理有了更清晰的了解。
RPMNet 使用教程
最新发布
gitblog_00522的博客
08-16 691
RPMNet 使用教程 RPMNet项目地址:https://gitcode.com/gh_mirrors/rp/RPMNet 项目介绍 RPMNet（Robust Point Matching using Learned Features）是一个用于刚性部分-部分点云配准的深度学习方法，由Yew Zi Jian和Lee Gim Hee在CVPR 2020上提出。该项目旨在通过学习到的特征来实现...
CVPR2020文章汇总 | 点云处理、三维重建、姿态估计、SLAM、3D数据集等(12篇)
3D视觉工坊
04-15 3923
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达1.PVN3D: A Deep Point-wise 3D Keypoints Voting Network for 6DoF Po...
论文解读 | 基于双分支特征交互的 3D 点云配准方法
旷视开发者技术社区
03-21 3651
此篇论文已被AAAI 2022 收录，论文链接请见“阅读原文”。3D 点云配准是匹配和叠加在不同时间、不同视角以及不同传感器下获取的两个或多个点云的过程，此技术被广泛应用于三维场景重建（3...
基于深度学习的点云配准Benchmark
3D视觉工坊
11-17 5479
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达作者丨千百度@知乎来源丨https://zhuanlan.zhihu.com/p/289620126编辑丨3D视觉工坊1. 概要最近...
非学习的点云配准方法汇总
3D视觉工坊
05-28 2512
作者丨一点人工一点智能来源丨https://zhuanlan.zhihu.com/p/501555808(李建微, 占家旺. 2022. 三维点云配准方法研究进展. 中国图象图形学报, 27(2): 349-367.) [DOI: 10.11834/jig.210243]1 经典点云配准方法1.1 ICP及其变体一些方法致力于提高ICP方法的精度。Chen和Medioni...
rpm-net: robust point matching using learned features
01-11
rpm-net是一种使用学习特征进行鲁棒点匹配的方法。它通过学习特征来识别和匹配不同场景下的关键点，从而实现更加鲁棒和精确的点匹配。传统的点匹配方法通常依赖于手工设计的特征描述符，这些描述符可能会受到光照变化、噪声干扰等因素的影响，导致匹配结果不稳定。而rpm-net利用深度学习模型自动学习适应不同场景的特征表示，从而能够在复杂的环境下实现更加可靠的点匹配。 对于rpm-net的实现，首先需要收集大量的训练数据，并且为每个数据点标注真实的匹配关系。然后利用这些数据训练深度学习模型，从而使模型可以自动学习不同场景下的特征表示。在点匹配时，rpm-net将输入的特征点通过深度学习模型转换为具有判别能力的特征表示，然后利用这些特征表示来进行点匹配。由于深度学习模型能够学习到更具有区分性的特征表示，因此rpm-net能够在复杂的场景下实现更加鲁棒和精确的点匹配。 总的来说，rpm-net是一种利用深度学习模型学习特征表示的鲁棒点匹配方法，它能够在不同场景下实现更加可靠和精确的点匹配，具有很高的实用价值。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

樱花的浪漫

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值