Aug, 2023

基于姿态图的关注图神经网络用于激光雷达地点识别

PDF
TL;DR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。
发现论文，激发创造
  • SEM-GAT：使用学习到的图注意力进行可解释的语义姿态估计

    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

  • 基于语义图的三维点云地点识别

    本文提出了一种基于语义图的三维点云场景识别方法，该方法具有鲁棒性，能够应对遮挡和视角变化等环境变化，评估结果表明该方法优于现有技术。

    Aug, 2020

  • 基于注意力循环网络的全局姿态估计

    我们设计了一种新的可微架构 Neural Graph Optimizer，由本地姿态估计模型、新颖的姿态选择模块和新颖的图优化过程组成，通过端到端的训练使网络自动学习与视觉里程计相关的领域特定特征，从而实现了 SLAM 的完整神经网络解决方案，并在模拟的 2D 迷宫和 3D ViZ-Doom 环境中展示了系统的有效性。

    Feb, 2018

  • SI-GAT: 改良图注意力网络方法用于声纳图像分类

    本文提出了一种基于改进图形注意力网络 (SI-GAT) 的声纳分类方法，该方法可以在多种类型成像声纳中应用，并通过实际数据验证优于几种以欧几里得空间为基础的卷积神经网络方法。

    Nov, 2022

  • GraNet：针对 ALS 点云分类的全局关系感知注意力网络

    本论文提出一种新型神经网络用于对 ALS 点云进行语义标注，名为全局关系感知注意网络 (GraNet)，该方法首先使用一个本地空间注意卷积模块 (LoSDA) 学习本地几何描述和本地依赖关系，然后使用全局关系感知注意模块 (GRA) 学习任何空间位置和特征向量之间的全局空间和通道关系，以上两个重要模块嵌入多尺度网络架构中，实验结果表明，与其他常用高级分类方法相比，我们的方法在两个 ALS 点云数据集上均可获得更高的分类精度。

    Dec, 2020

  • Point-GNN: 针对点云中 3D 物体检测的图神经网络

    本研究提出了一种基于图神经网络的 LiDAR 点云对象检测方法，采用自动注册机制降低了平移方差，并结合盒子合并和计分运算从多个数据点准确地组合检测结果，在 KITTI 基准测试中，该方法仅使用点云即可实现领先的准确性，甚至胜过融合算法，这显示了使用图神经网络作为三维对象检测的新方法的潜力。

    Mar, 2020

  • 基于图注意力的点云局部特征开发神经网络 GAPNet

    本研究基于图形注意力机制，提出了一个新的神经网络 GAPNet，用于学习点云中的局部几何表示，并且在形状分类和部分分割任务中，取得了最先进的性能。

    May, 2019

  • LocNet: 用于移动车辆的 3D 点云全局定位

    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

  • 层次注意力和图神经网络：面向无漂移姿势估计

    本文探索了使用分层注意机制和图神经网络的学习模型来替代传统的几何配准和姿态图优化的框架，通过压缩数据流并保留估计刚性姿态所需的基本信息，大大提高了姿态估计的精确性，尤其在旋转组件方面的改进较为明显。

    Sep, 2023

  • PC-RGNN: 三维物体检测的点云补全与图形神经网络

    本研究提出一种新的两阶段方法，其中包括点云完成模块以恢复高质量的点密集提案和整个视图，同时设计了图神经网络模块，实现了全局本地关联机制和多尺度图形的上下文聚合，显著强化编码特征，实验表明，所提出的方法在 KITTI 基准测试中优于之前的基线算法，突出了其有效性。

    Dec, 2020