Aug, 2023

VNI-Net：基于向量神经元的旋转不变描述子用于 LiDAR 地点识别

PDF
TL;DR提出了一种使用 Vector Neurons Network (VNN) 实现 SO (3) 旋转不变性的新方法，通过提取邻近点的旋转等变特征并通过 VNN 将低维特征映射到高维空间，然后在旋转等变特征空间中计算欧氏距离和余弦距离作为旋转不变特征描述符，最后使用 GeM 池化将特征聚合成全局描述符，实验证明该方法在处理旋转问题时明显优于其他基准方法并与当前最先进的不考虑旋转问题的地点识别方法取得可比较的结果。
lidar-based place recognitionrotation-induced place recognition failurevector neurons networkso(3) rotation invariancerotation-invariant feature descriptors
发现论文，激发创造
  • 一种直观的多频特征表示用于 SO (3)- 等变网络

    介绍了一种用于将 3D 点映射到高维特征空间的等变特征表示方法，该特征能够识别 3D 数据中存在的多个频率，以提供更多细节来克服原始研究中的限制。

    Mar, 2024

  • VN-Transformer: 旋转等变注意力机制应用于向量神经元

    本文介绍了一种称为 VN-Transformer 的新型体系结构，以解决当前 VN 模型存在的一些缺点，包括推导出一种旋转等变的注意机制，扩展 VN 框架以支持非空间属性，在点云分辨率的多尺度缩减方面实现旋转等变，最终应用 VN-Transformer 于 3D 形状分类和运动预测领域，取得了显著的结果。

    Jun, 2022

  • 矢量神经元：一个针对 SO (3)- 等变网络的通用框架

    本文介绍了一种基于向量神经元的通用框架，用于创建点云处理的 SO（3）- 等变神经网络。通过扩展神经元从 1D 标量到 3D 向量，向量神经元使得我们可以将 SO（3）操作简单地映射到潜在空间中，从而提供了构建常见神经操作的等变性的框架，尽管方法简单，但在准确性和泛化性方面表现出色，是处理任意姿态下的几何输入的一种有效方法。

    Apr, 2021

  • VI-Net: 通过学习球面表示上的解耦旋转，提升 6D 目标类别级别的位姿估计

    本文通过将旋转分解为视角旋转和平面内旋转的组合，提出了一种名为 VI-Net 的新型旋转估计网络，用于解决 6D 物体姿态估计中高精度的 RGB-D 物体观测的旋转估计难题。通过基于球面的特征学习，在两个不同分支上进行估计，并通过神经网络实现视角旋转和平面内旋转的估计。通过实验证明了该方法在高精度情况下较现有方法的优越性，尤其在无 CAD 模型情况下的类别级 6D 物体姿态估计任务中。

    Aug, 2023

  • RPR-Net: 基于点云旋转感知的大规模地点识别网络

    该论文提出了一种基于点云的旋转感知大规模场景识别网络 (RPR-Net)，通过三种新的旋转不变特征（RIFs）设计一个注意模块来学习旋转不变核，并将其应用于之前的点云特征中生成新的特征，从而可以学习到高级的场景特定的旋转不变特征，实验结果表明，该方法在解决旋转问题时要明显优于其他旋转不变基线模型。

    Aug, 2021

  • Triangle-Net：面向点云学习的鲁棒性

    提出了一种基于图结构和神经网络的方法，能够同时实现旋转、平移、缩放的不变性以及点云稀疏程度的稳健性，此方法在模型识别与检索任务方面，其性能可显著提高。

    Feb, 2020

  • SeqNetVLAD vs PointNetVLAD: 白天黑夜场所识别中的图像序列与三维点云

    比较三维点云方法和基于图像序列的方法在场所识别性能上的差异，结果表明对于特定度量跨度，基于图像序列的技术可以接近甚至超过基于点云的方法的表现。

    Jun, 2021

  • Open-RadVLAD: 快速且稳健的雷达地点识别

    本研究提出了一种利用极坐标表示进行雷达位置识别的方法，通过建立局部聚合描述符的向量实现旋转不变性和高区分性描述空间，在 Oxford 雷达机器人车数据集上对方法进行了广泛测试，得到了较高的成功率和计算效率。

    Jan, 2024

  • PointNetVLAD: 基于深度点云的大规模场所识别检索

    本研究提出了 PointNetVLAD 方法，结合 PointNet 和 NetVLAD 模型，通过端到端的训练和推理从给定的 3D 点云中提取全局描述符，并使用 “lazy triplet and quadruplet” 损失函数来实现更具有判别性和可推广性的全局描述符以解决点云识别的问题，并创建了基准数据集以实现其可行性。

    Apr, 2018

  • Patch-NetVLAD: 局部 - 全局特征的多尺度融合在地点识别中的应用

    本文介绍了一种名为 Patch-NetVLAD 的方法，它提供了一种将局部和全局描述符方法的优点相结合的新方法，通过从 NetVLAD 剩余变量中导出局部级别的特征，我们的方法使深度学习的局部特征定义在特征空间网格上，能够聚合和匹配这些特征，并通过积分特征空间进行互补尺度（即块大小）的块特征的多尺度融合，显示出在其状态 - of-the-art 视觉地点识别结果上具有高度不变性，超过了基于全局和局部特征描述符的方法，同时还具有可配置框架中的改进计算效率，适合于增强独立场所识别能力和 SLAM 系统的整体性能。

    Mar, 2021