自行构建的数据集,以便在点云注册中更好地泛化
Qian Wang1, Haifeng Liang2, Junqi Xu1
1Xi'an Technological University, Xi'an, Shaanxi, 710021, China.
Scientific data
|April 1, 2025
概括
点云注册网络与数据不独立且分布相同的数据进行斗争,阻碍了性能. 新的后处理方法创造了多样化的数据集,大大提高了点云注册任务的准确性和网络概括性.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 3D数据处理 3D数据处理
背景情况:
- 点云注册网络经常遭受性能下降和糟糕的泛化,因为训练和测试数据集违反了独立和相同分布 (IID) 假设.
- 现有的方法难以创建能够充分代表现实世界域差异的数据集.
研究的目的:
- 为了解决点云注册数据集中的 IID 假设违规问题.
- 开发一种后处理方法,用于生成各种点云数据.
- 提高点云注册网络的准确性和通用性.
主要方法:
- 提出了一种新的点云数据后处理技术.
- 通过优化空间采样和时间间隔框架匹配,引入了域差异变量.
- 创建了一个由63,461个点云注册数据对组成的大数据集.
主要成果:
- 与基准数据集相比,准确度提高了31.8%.
- 一级通用化比达到0.9832,表明网络通用化显著增强.
- 生成的数据集为跨领域点云注册研究提供了有价值的参考数据.
结论:
- 拟议的后处理方法有效地解决了点云注册中的IID假设.
- 增强的数据集将大大提高注册网络的准确性和概括性.
- 这项工作为推进跨领域点云注册研究提供了强大的解决方案和宝贵的资源.
