适应空间特征提取和图形特征识别,用于强大的点云记录
Yilin Chen1, Yang Mei2, Tao Lu1
1School of Computer Science and Engineering, Wuhan Institute of Technology, Wuhan, 430073, China; Hubei Key Laboratory of Intelligent Robot, Wuhan Institute of Technology, Wuhan, 430073, China.
概括
这项研究引入了LDGR,这是3D点云注册的新方法. LDGR 增强了特征提取,并使用了新的评估方法来实现强大的性能,特别是在低重叠的场景中,降低了计算成本.
科学领域:
- 计算机视觉
- 三维点云处理
- 机器学习
背景情况:
- 变压器在3D视觉方面表现出色, 但由于注意力不足,
- 现有的RANSAC方法需要大量的代,导致高计算成本.
研究的目的:
- 为低重叠场景开发一个强大的点云注册方法.
- 减少与传统注册技术相关的计算开销.
主要方法:
- 引入了适应点卷积 (APConv) 用于具有适应感应场的特征提取.
- 具有局部几何信息和图形意识的增强型变压器,以提高低重叠性能.
- 提出了一个局部扩散到全球 (LDGR) 注册评估器,减少代计算.
主要成果:
- 在ModelNet和ModelLoNet数据集上取得了最佳结果,超过了最先进的方法.
- 在3DMatch和3DLoMatch数据集上表现出强度,内置比率明显更高.
- 在KITTI数据集上显示了与RANSAC可比的性能,代次数显著减少.
结论:
- LDGR为3D点云注册提供了强大且计算效率高的解决方案,特别是在具有挑战性的低重叠条件下.
- 拟议的APConv和LDGR评估器有助于提高特征提取和注册的准确性.
