ECCVJul, 2020

DH3D: 深度分层三维描述子在鲁棒大规模六自由度重定位中的应用

PDF
TL;DR本研究提出一种新方法，在大规模点云中实现位置重定位，通过使用 Siamese 网络同时学习全局场景识别和本地六度姿态细化算法来生成全球描述符，并通过有效的注意力机制聚合本地描述符，实现同时获得本地和全局 3D 描述符，实验表明，本方法在全球点云检索和本地点云对比方面比现有技术实现的结果更具竞争力。
发现论文，激发创造
  • 利用深度视觉描述符进行分层高效定位

    该论文提出了一种利用深度学习技术进行分层定位的方法，仅在候选位置上计算 2D-3D 匹配的精确位姿估计，从而实现在流行的移动平台上实时运行并拥有最先进的本地化性能，为机器人研究带来了新的前景。

    Sep, 2018

  • D3Feat：3D 局部特征的密集检测与描述的联合学习

    本文提出了一种新型实用的学习机制，利用三维全卷积网络，旨在稠密地预测每个三维点的检测分数和描述特征，并通过自监督的检测器损失，在训练过程中指导即兴的特征匹配结果。最后，我们的方法在 3DMatch 和 KITTI 数据集的室内和室外场景中，均取得了最先进的结果，并在 ETH 数据集上展现了其强大的概括能力，为实现准确快速的点云对其，提出了一种可靠的特征检测器。

    Mar, 2020

  • 大尺寸环境下基于实时图像的六自由度定位

    该研究提出了一种基于图像的实时定位方法，通过结合一种基于二进制特征描述符的快速关键点跟踪方法和一个新的直接 2D 到 3D 匹配方法，有效地对大场景下的相机位置进行计算，并实现了实时的运行效果。

    Mar, 2012

  • HD2Reg: 点云配准的层次结构描述符与检测器

    本文提出了一种框架，该框架明确提取双层描述符和检测器，并与之进行粗糙到精细的匹配，以达到准确和鲁棒的点云配准。实验表明该方法的效果优于其他基于关键点的方法。

    May, 2023

  • 由粗到细：大尺度的强健分层定位

    本文提出了一种基于单片式 CNN 的分层定位方法 HF-Net，通过利用粗到细的定位范例实现了在大规模环境和重要外观变化的情况下更准确地进行 6 自由度定位。除此之外，通过利用学习描述符，使我们的方法在大幅度外观变化的情况下实现了卓越的定位鲁棒性，并为大规模定位的两项具有挑战性的基准设定了新的标准。

    Dec, 2018

  • 为三维点云学习局部多视图描述符的端到端学习

    提出了一个端到端的框架，用于学习 3D 点云的本地多视图描述符。利用可微分的渲染器将多视图表示集成到神经网络中，设计了软视图池化模块来聚合视角间的卷积特征，实验结果表明，本文方法在现有的 3D 配准基准上更优秀。

    Mar, 2020

  • MinkLoc3D：基于点云的大规模场所识别

    提出了一种名为 MinkLoc3D 的基于学习的方法，用于计算具有区分性的三维点云描述符，该方法使用稀疏体素化的点云表示和稀疏三维卷积，相比目前最先进的方法具有更好的性能。

    Nov, 2020

  • 旋转不变的三维点云局部到全局表征学习

    本文提出了一种面对各种几何变换，特别是旋转的局部到全局表示学习算法，该算法利用基于图卷积神经网络的多级抽象构建描述符层次结构，以自底向上的方式对输入对象的旋转不变形状信息进行编码，并通过对三维点的随机采样有效地使学习到的表示对输入数据的变化具有鲁棒性。该算法在旋转增强的三维物体识别和分割基准测试上表现出最先进的性能。

    Oct, 2020

  • 利用尺度不变和特征重新加权网络进行三维物体检测

    本文介绍了一种新型网络架构，利用前视图像和视锥形点云生成三维检测结果，使用 PointSIFT 模块和 SENet 模块来提高三维分割的性能和有效地估计三维边界框，实验结果表明该方法在使用高度稀疏的点云时比现有方法表现更优，广泛应用于室内和室外的实际场景中的三维物体检测。

    Jan, 2019

  • LPD-Net：大规模场景识别和环境分析的 3D 点云学习

    本文提出了一种名为 LPD-Net 的深度神经网络，它可以从原始 3D 点云数据中提取判别性和可推广性的全局描述符，用于解决基于点云的识别任务，并与 PointNetVLAD 和基于视觉的解决方案进行了比较。

    Dec, 2018