Sep, 2023

KDD-LOAM：基于联合学习的关键点检测器和描述符辅助 LiDAR 里程计和地图构建

PDF
TL;DR稀疏关键点匹配改善了点云配准的效率和稳健性。该研究提出了一种基于多任务全卷积网络和概率检测损失的紧密耦合的关键点检测器和描述子 (TCKDD)，并通过自监督学习实现描述子的全面自适应及关键点检测器的优化。在室内和室外数据集上的大量实验证明，TCKDD 在点云配准中取得了最先进的性能。此外，我们设计了一个关键点检测器和辅助 LiDAR 里程计与建图框架 (KDD-LOAM)，其实时里程计依赖于基于关键点描述子匹配的 RANSAC。稀疏关键点进一步用于高效的扫描至地图配准和建图。在 KITTI 数据集上的实验证明，KDD-LOAM 明显优于 LOAM，在里程计方面表现出有竞争力的性能。
发现论文，激发创造
  • LodoNet: 一种基于 2D 关键点匹配的深度神经网络用于 3D LiDAR 里程计估计

    本文介绍了一种基于深度学习的 LiDAR 测距测速 (lo) 估计方法，将 LiDAR 帧转换成图像空间并提取特征点来匹配，借助于卷积神经网络进行测距估计，并在 KITTI 测距数据集上验证了该方法的高效性。

    Sep, 2020

  • 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

  • 端到端学习鲁棒姿态 3D 匹配的关键点检测器和描述符

    本论文提出了一种基于端到端学习框架的关键点检测及其表示的方法，以适应于三维深度地图或扫描，通过采样相应的区域提案实现正负样本的自动获取，并在多个基准数据集上进行匹配实验，表明该方法相对于现有方法具有明显的改进。

    Feb, 2018

  • D3Former: 通过显著性引导的 Transformer 共同学习可重复的稠密探测器和特征增强描述符

    通过引入一种名为 D3Former 的基于显著性引导的变换器模型，联合学习可重复的稠密检测器和增强特征的描述符，实现了准确匹配点云问题的关键步骤，实验证明该方法在室内和室外基准测试中始终优于最先进的点云匹配方法。

    Dec, 2023

  • DeDoDe: 本地特征匹配中的检测，不是描述 - 描述，不是检测

    基于 3D 连续性，我们通过从大规模 SfM 中训练探测器来直接学习关键点，并且通过分离的网络最大化互相最近邻目标来训练描述符。结果表明，我们的方法 DeDoDe 在多个几何基准测试中取得了显著的增益。

    Aug, 2023

  • RSKDD-Net：基于随机采样的关键点检测器与描述子

    该论文提出了一种基于随机采样和弱监督学习的点云配准方法，使用随机抽样方法选择关键点，提出一种新的随机扩张聚类策略和注意机制来解决自然信息损失，同时进一步提出了匹配损失训练该方法，实验结果表明该方法在两个大规模数据集上取得了最先进的性能，比现有方法快 15 倍以上。

    Oct, 2020

  • DK-SLAM：具有深度关键点自适应学习、追踪和闭环的单目视觉 SLAM

    DK-SLAM 是一种单目视觉 SLAM 系统，使用自适应深度特征进行特征提取和匹配，采用多项式约束进行位姿估计，使用基于二值特征的在线循环闭环模块来减少累积定位误差，并在公开数据集上展示了其高效性能。

    Jan, 2024

  • SelfVoxeLO: 使用基于体素深度神经网络的自监督 LiDAR 里程计

    本文提出了一种自监督的 LiDAR 测距法 ——SelfVoxeLO，通过使用 3D 卷积网络对点云数据进行特征提取，利用 LiDAR 点云的内在属性设计了多种新颖的损失函数，并引入了一种不确定性感知的机制来减轻运动物体 / 噪声的干扰，该方法在 KITTI 和 Apollo-SouthBay 数据集上的性能超过了现有的无监督方法，并且可以通过添加更多未标记的训练数据来进一步提高性能，可与有监督的方法相媲美。

    Oct, 2020

  • DMLO: 深度匹配 LiDAR 里程计

    本文介绍了一种新型的基于学习方法的 Deep Matching LiDAR Odometry (DMLO) 框架，它将特征匹配方法应用到 LiDAR 地标测量任务中，该框架将 6-DoF 姿态估计分解为两个部分，一个学习匹配网络，另一个是通过奇异值分解（SVD） 得到的紧密形成解的刚性变换估计。实验结果表明，DMLO 远优于现有的基于学习方法的方法，并可与基于几何的最先进方法相媲美。

    Apr, 2020

  • 可重复、可靠的检测器和特征描述器 (R2D2)

    本论文提出了一种同时学习关键点检测、特征描述和本地描述符可区分性预测器的方法，用于解决经典方法中存在的重复区域不具有判别力和描述符在存在歧义区域中的性能问题，在 HPatches 和 Aachen Day-Night 数据集上性能均表现优异。

    Jun, 2019