基于语义图的三维点云地点识别
本文将点云配准问题视为语义实例匹配和配准任务,提出了一种用于大规模室外点云配准的深度语义图匹配方法。通过利用大规模点云语义分割网络获得 3D 点云的语义类别标签,并使用欧氏聚类算法将具有相同类别标签的相邻点进行聚类。基于语义实例的空间相邻关系构建了语义邻接图,通过图卷积网络学习了几种高维特征,包括几何形状特征、语义分类特征和空间分布特征,同时应用了注意力机制进行增强。将语义实例匹配问题建模为一个最优传输问题,并通过最优匹配层进行求解。最后,根据匹配的语义实例,首先通过奇异值分解(SVD)算法获得两个点云之间的几何变换矩阵,然后使用 ICP 算法进行细化处理。实验在 KITTI Odometry 数据集上进行,所提出方法的平均相对平移误差和平均相对旋转误差分别为 6.6cm 和 0.229 度。
Aug, 2023
本文提出了一种基于场景图的三维场景理解方法,它将场景中的实体组织成图形式,运用基于 PointNet 和 Graph Convolutional Networks(GCN)的学习方法实现了场景图的回归,并且引入了一个新的数据集 3DSSG 来支持该方法的应用和评估。
Apr, 2020
该研究提出了一种基于深度学习的新框架,用于解决数百万点的大规模点云的语义分割挑战。该框架使用超级点图和图卷积网络等技术,取得了室内和户外 LiDAR 扫描分割方面的新成果。
Nov, 2017
该研究提出了一种激光雷达场景识别方法,称为 P-GAT,通过比较一组点云之间的相似性来增加随时间捕获的点云之间的可接受领域,利用基于位姿图 SLAM 的概念,结合了点云之间的内部和外部注意力以及图神经网络来关联在欧几里德空间中附近位置捕获的点云以及其在特征空间中的嵌入。实验证明了该方法在识别缺乏明显特征的场景以及训练和测试环境具有不同分布(领域适应)时的有效性。与最先进技术的详尽比较显示出性能改进。代码将在接受后提供。
Aug, 2023
本文提出了一种基于 GNN 的方法,利用语义和局部几何形状来指导可靠点云注册候选项的识别,语义和形态特征作为注册的关键参考点,实现精确的激光雷达姿态估计,我们的轻量级静态图结构通过识别语义实例关系,作为一种归纳偏见,显著减少了点云注册的计算负担,通过连接候选节点和利用跨图的关注机制,我们为所有潜在的注册对应关系计算置信度得分,估计点云扫描之间的位移,我们的流程通过将模型与环境中的局部结构的个体贡献相关联,使模型的性能进行内省分析,提供有价值的系统行为洞察。我们在 KITTI 测距数据集上测试我们的方法,相较于基准方法,实现了竞争性的准确度和更高的轨迹平滑度,同时依赖 significantly fewer network parameters。
Aug, 2023
该论文提出了一种解决全局定位问题的方法,通过使用基于 Siamese LocNets 的半手工表示学习方法,在全局先验地图中实现了场所识别和尺度姿态估计,并且提出了一个使用仅距离观测的全局定位框架。通过 KITTI 数据集和自主收集的多个数据集的实验结果表明,该系统能够实现高精度的全局定位。
Dec, 2017
提出了一种基于 2D 监督的新型深度图卷积网络框架,用于大规模语义场景点云的分割,通过 Graph-based Pyramid Feature Network 和 Observability Network 可以隐式推断点集的全局和局部特征,并提出了一个 2D-3D 联合优化策略用于优化投影过程中的语义信息的加入, 即使只有单个训练样本的情况下,也能够进行自然场景下的 3D 分割训练,扩展实验在 SUNCG 和 S3DIS 数据集上证明了这种 2D 监督框架在语义点云分割方面的有效性。
Apr, 2020
通过引入快速轻量级的框架,将图像和点云转换成具有地点鉴别性的描述符。实验结果表明,所提出的方法在实时执行的同时达到了最先进的性能,具有实际的泛化能力。
Mar, 2024
提出了一种应用图论框架的全局点云配准方法,利用语义线索缩小点云规模解决点云之间重叠度低的问题,通过构建金字塔图进行多级一致性阈值匹配,用级联式梯度上升方法解决最密团问题,得到多个位姿候选项,并通过快速几何验证选择最佳估计。实验证明,尽管点云之间重叠度低且语义质量低,该方法实现了最高的成功率。
Jul, 2023
应用常识知识图谱以提高室内场景点云的 3D 场景图预测准确度的实验研究表明,在外部常识知识和内部知识的交互应用中,通过消息传递的方法比最先进的算法提高了 15.0% 的场景图预测准确度和 7.96% 的内部知识,在每秒 10 帧的实际机器人环境中也进行了测试以展示模型的使用情况。
Aug, 2023