L2G-Net: 3Dの場所認識のためのクラスタートークンによるローカルからグローバルへの機能強化

科学分野:

• ロボット工学 ロボット工学 ロボット工学
• コンピュータビジョン コンピュータビジョン
• 人工知能 (AI) とは,人工知能 (AI) のことです.

背景:

• 3Dポイントクラウドの場所認識は,GPSが否定された環境における長期的な同時定位とマッピング (SLAM) と自律的なナビゲーションに不可欠です.
• 現在のディープ・ラーニング・メソッドでは,ローカル・フィーチャー・コンシスタンスを無視して,グローバル・ディスクリプター・パフォーマンスを制限することが多い.

研究 の 目的:

• 地域特性の情報を活用して3Dポイントクラウドの場所認識を強化するために設計された新しいネットワークであるL2G-Netを提案する.
• ローカル機能の一貫性をよりよく統合することにより,グローバル記述子の表現能力を向上させる.

主な方法:

• ポイント・フィーチャー・エンハンスメント (PFE) モジュール: ポイント・ワイズ・フィーチャーを取り出し,ヴォクセルベースの方法で失われた細かい詳細をキャプチャします.
• クラスタートークン マンバ (CTM) モジュール:クラスターの機能,状態空間モデルを使用してそれらをモデル化し,文脈情報を再配布します.
• クラスター・トークン・クロス・アテンション (CTCA) モジュール: グローバル・ディスクリプタ・ディスクリミナビリティを強化するために,ローカル・グローバル・フィーチャー・インタラクションを容易にする.

主要な成果:

• L2G-Netは,失われた細かい情報をうまく補完し,地方代表の差別性を高めています.
• CTMおよびCTCAモジュールは,コンテキスト情報を効率的にキャプチャし,ローカル機能の一貫性をグローバル記述子に転送します.
• 公共のデータセットでの実験的検証は,最先端の方法と比較して,場所認識の性能が優れていることを示しています.

結論:

• L2G-Netは,既存の3Dポイントクラウドの場所認識方法の限界を効果的に解決します.
• 提案されたモジュールは,ローカルの特徴の一貫性を組み込むことによって,グローバル記述子の区別を大幅に強化します.
• L2G-Netは,困難な環境で堅実な自律的なローカライゼーションを達成する上で重要な進歩を表しています.