点云匹配(Point Cloud Registration)问题,在机器人、医疗图像以及其它相关的计算机视觉任务中是一个很关键的问题。本文主要介绍ICCV2019里面一篇做Registration的文章,记录一些学习笔记和心得。
Deep Closest Point: Learning Representations for Point Cloud Registrationopenaccess.thecvf.com WangYueFt/dcpgithub.com1. Registration的目标
对于两个本质“形状”接近的点云:
,如何通过旋转、平移,来调整
,使
尽量与
重合。
2. Registration的难点
点云中的点是无序的。旋转、平移,本质是对点云中每个点的调整。那么问题来了,如何确定
中点的对应关系?
传统的方法(ICP、Go-ICP等)提供的一些方案,其存在一些问题:很容易陷入局部最优点、太耗时。
论文提出了一种end-to-end DCP算法(Deep Closest Point)来处理Point Cloud Registration问题,相比之前的方法,性能提升很大。
3. Transformer回顾
作者提出的DCP算法,里面使用了NIPS 2017 里面《Attention Is All You Need》中提出的Transformer网络结构。理解DCP算法之前,有必要对Transformer有一个大概的了解。
在seq2seq问题里面(例如机器翻译),基于RNN、LSTM的Encoder-Decoder方案主要的问题在于:
- 处理太长的sequence时,效果不佳;