基于深度交互性多尺度感受野特征学习的三维点云配准网络
摘要
提出了一种基于深度交互性多尺度感受野特征学习的三维点云配准网络（DIM-RFNet），通过结合点云结构的上下文一致性寻找潜在相似结构特征以实现点云准确配准。首先通过点云的分组构建邻域片并提取邻域片特征，使用上下文编码-解码器来提取多尺度感受野特征，并降低内存开销和提高不同结构特征的区别度。为了使任务集中在重叠区域、减小异常值的不利影响，并进一步扩大多尺度特征感受野，DIM-RFNet构建一种新的重叠关系编码-解码器，通过预测重叠关系置信度得到特征表示、重叠得分、匹配得分。将该方法在ModelNet40、ModelLoNet、3DMatch、3DLoMatch和OdometryKITTI数据集上与相关方法进行比较，结果表明，该方法显著提高了特征提取能力，并在低重叠率场景中取得有竞争力的配准性能。
引用本文（GB/T 7714）
周涵 Zhou Han, 王旭初 Wang Xuchu, 袁越 Yuan Yue. 基于深度交互性多尺度感受野特征学习的三维点云配准网络[J]. Acta Optica Sinica, 2024.
引文网络
本站仅收录题录与摘要供学习参考，全文版权归属出版方；如有侵权请联系我们删除。