本文首发于公众号:CNNer 。每日分享CVPR、ECCV等会议,关注深度学习、自动驾驶领域,我们期待你的加入。关注“CNNer”,选择加“星标”或“置顶”精选干货,当日达。
论文地址:http://arxiv.org/pdf/2001.05119v2.pdf
代码:https://github.com/zgojcic/3D_multiview_reg
来源: 斯坦福大学
论文名称:Learning multiview 3D point cloud registration
原文作者:Zan Gojcic
本文提出一个新颖的、端到端的多视图3D点云匹配算法。多扫描匹配通常包含两个步骤:第一步,点对初始匹配,第二步,全局一致性验证。第一步经常由于点云的重叠度低、对称和场景重复的问题,造成难以准确对齐。因此,第二步,全局优化的目的是在多个扫描之间建立循环一致性,并帮助解决模糊匹配问题。本文提出的算法,是目前已知的第一个解决以上两个难点的端到端的学习算法。在公认的基准数据集上进行实验评估表明,本文的端到端的算法在训练和计算量方面比目前最新的方法具有明显优势。此外,本文进行详细的分析和消融研究(消融研究:是为了研究模型中所提出的一些结构是否有效而设计的实验),以验证本文算法的新组成部分的有效性。
比当前最好的匹配算法的静态旋转误差提高了25%的精度,同时本文的算法比设置60次循环的RANSAC算法快13倍,在新的场景中获得了更好地表现。
下面是论文具体框架结构以及实验结果:
![fb4a681de9c3481fc222b995b64c8b01.png](https://i-blog.csdnimg.cn/blog_migrate/5704a636c2338b1b45f0333b2121b6cc.jpeg)
![162b9312721dd7fb606c170a49ff4a15.png](https://i-blog.csdnimg.cn/blog_migrate/c620c5e45fdd2804d1123647f38c92af.jpeg)
![e767b082d86cba5c6f7173a3a93784bc.png](https://i-blog.csdnimg.cn/blog_migrate/67fde229186814e841623143e05b604b.jpeg)
![2c91d2979cbbd93c6f37fb0a130f00aa.png](https://i-blog.csdnimg.cn/blog_migrate/5cc2a022d003ef672e7302b2081926d3.jpeg)
![174c0b840c78a890b7216d7241fe0105.png](https://i-blog.csdnimg.cn/blog_migrate/68f02582d1a084f20a31589da22d29d9.jpeg)
![6abb50c07d5d292b45aa10ca532ef430.png](https://i-blog.csdnimg.cn/blog_migrate/c59ecc6980ac1ff0720f094b6929cdd0.jpeg)
![d91c1a4a17bb38c7b4d2d16c93fad9e9.png](https://i-blog.csdnimg.cn/blog_migrate/666c81d6f7feda888bc238c426e0da92.jpeg)
声明:文章来自于网络,仅用于学习分享,版权归原作者所有,侵权请联系删除。