论文阅读:GeoTransformer

论文阅读:GeoTransformer

文章主要针对低重叠率情况下的点云配准问题,通过提升内点率进行配准。算法整体结构图
在这里插入图片描述

技术关键点

SuperPoint

本文使用SuperPoint作为点云分簇的中心种子点

Transformer在这里插入图片描述

本文使用Transformer来提取点云簇的特征,包括一个自注意力模块提取点云内部特征和一个交叉注意力模块建模内部点云的一致性。

本文设计了一种新的几何结构embedding来编码超点的位移不变的几何结构。这两个emdedding核心思想是利用超点计算的距离和角度(主要思想参考PPF)这些超点在同一场景的不同点云上是一致的

Pair-wise Distance Embedding

计算两个SuperPoint之间的距离

Triplet-wise Angular Embedding

计算两个SuperPoint之间的夹角
在这里插入图片描述

网络结构

特征提取

特征提取部分使用的是KPConv-FPN作为backbone提取多级点云特征
在这里插入图片描述
该过程伴随着点云的降采样,降采样到最稀疏一级的点云被视作SuperPoint
其他稀疏级别的点云的特征被指派给离他最近的SuperPoint。他们一起组成了一个以SuperPoint为中心的局部patch
在这里插入图片描述

SuperPoint匹配模块

文章提到现有视觉任务一般只给transformer喂高级点云特征,没有明确编码几何结构信息,使得学到的几何特征区分度不大进而导致在低重叠率下的许多匹配错误和大量外点匹配,针对该问题提出了Geometric Transformer

Geometric Transformer

包括几何self-attention模块学习点云内部特征和cross-attention模块学习点云间点云内部特征的一致性,这两个组合迭代 N t N_t Nt次之后提取到混合特征。(这块思路和 SuperGlue很像)
其中self-attention学习使用 Pair-wise Distance Embedding和Triplet-wise Angular Embedding,(核心思路参考PPF-FoldNet
cross-attention用于执行两个点云之间的特征交换,基于特征的cross-attention模块可以对两个点云的几何一致性进行建模。所得到的混合特征对变换具有不变性,对推理对应具有鲁棒性。

SuperPoint matching

为了找到SuperPoint的对应关系,文章先将虚拟特征归一化到单位球面,并且计算高斯相关矩阵。由于一些patch的区分度不大,产生了很多模糊匹配。所以考虑使用多归一化操作,来抑制模糊匹配。
在这里插入图片描述
最终选择相似度最大的K个patch对视为重叠区域。
在这里插入图片描述

点匹配模块

在得到SuperPoint的对应关系之后,针对其所在patch中的每个点,使用点匹配模块来进行匹配,得到每个点的对应关系。其中使用sinkhorn layer来提取局部稠密点对应关系。

局部到整体配准

不同于其他鲁棒性估计期(Ransac)收敛慢的特点,由于GeoTransformer能够得到更到的内点率,所以本文不需要使用鲁棒估计器,这样极大的降低了计算成本。文章设计了LGR框架。使用权重SVD求解变换矩阵的封闭结,其中对应置信度作为权重。该方法由于对应点选择比较准确,所以精配准部分速度较快,能够达到和RANSAC近似的精度且速度快100倍

损失函数

overlap-aware circle loss

使用circle loss在面对正样本的时候区分度不大,权重相同。为了不让模型使用circle loss匹配执着于匹配较低重叠率的点云patch,本文使用overlap-aware circle loss让模型聚焦于那些有较高重叠率的匹配。
在这里插入图片描述
具有更高重叠率的patch对有更高的权值

point matching loss

点对应关系真值相对来说比较稀疏,因为他们只有在下采样的点云中才能获得。本文使用在对应点的指派矩阵上使用负对数似然损失。
在这里插入图片描述

值得关注的点

文章提出的local-to-global registration(LGR)可以实现与Ransac接近的效果但快100倍(应用于CoFiNet和GeoTransformer上),该类Ransac-free的方式应该将成为主流,增大内联率来替代传统Ransac的滤波作用进一步提升配准速度,相关例子REGTR

代码训练

训练的过程如果显存不足可以考虑调低Geotransformer中hidden_dim的数量来降低显存占用,效果可能会受到一定影响,但对于显存12G的30系列显卡用户会友好一些

  • 4
    点赞
  • 21
    收藏
    觉得还不错? 一键收藏
  • 7
    评论
A: 下面是一个常见的 LaTeX 论文阅读报告模板,您可以根据需要进行修改: \documentclass[12pt]{article} \usepackage[utf8]{inputenc} \usepackage{amsmath} \usepackage{amsfonts} \usepackage{amssymb} \usepackage{graphicx} \usepackage{float} \usepackage{hyperref} \usepackage{listings} \title{阅读报告} \author{作者名字} \date{} \begin{document} \maketitle \section{论文概述} 在这一部分中,您需要介绍一下要报告的论文。具体来说,您需要提供以下信息: \begin{itemize} \item 论文的标题和作者; \item 论文发表的会议或期刊; \item 论文研究的问题和主要贡献; \item 论文使用的方法和实验设计等。 \end{itemize} \section{研究问题} 在这一部分中,您需要介绍论文中所涉及的研究问题,并说明该问题的重要性。您需要回答以下问题: \begin{itemize} \item 论文研究的问题是什么? \item 该问题在相关领域中的位置和历史背景是什么? \item 为什么该问题很重要?它解决了什么实际问题,或者对研究有什么重要的贡献? \end{itemize} \section{主要贡献} 在这一部分中,您需要介绍论文所提出的主要贡献。具体来说,您需要回答以下问题: \begin{itemize} \item 该论文提出了什么新方法或新技术? \item 该方法或技术相对于现有方法和技术有什么优势? \item 该方法或技术在实验中的表现如何?它是否能够解决研究问题? \end{itemize} \section{方法和实验设计} 在这一部分中,您需要介绍论文使用的方法和实验设计。您需要回答以下问题: \begin{itemize} \item 该论文使用了哪些方法和技术? \item 这些方法和技术对解决研究问题有什么帮助? \item 该论文进行了什么样的实验设计?实验结果如何? \end{itemize} \section{评价和讨论} 在这一部分中,您需要评价论文的内容,并提出自己的批评和建议。您需要回答以下问题: \begin{itemize} \item 您认为该论文的论点和论据是否充分?有哪些不足之处? \item 该论文是否有进一步的研究方向和改进空间? \item 您是否有其他的评价和建议? \end{itemize} \section{结论} 在这一部分中,您需要总结整个阅读报告,并得出自己的结论。您需要回答以下问题: \begin{itemize} \item 该论文的主要研究问题是什么? \item 该论文的主要贡献是什么? \item 您对该论文的评价和建议是什么? \end{itemize} \end{document}
评论 7
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
实付
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