Oct, 2023

HDMNet：一种具备双重注意力的层次匹配网络用于大规模户外激光雷达点云配准

PDF
TL;DR提出了一种用于大规模室外 LiDAR 点云注册的新型分层神经网络，该网络名为 HDMNet，通过引入增强的特征一致性双软匹配网络来实现具有高灵活性的两阶段匹配，并在以补丁为单位的方式下，扩大感受野并提高效率，从而显著提高了注册性能。此外，还开发了一种新颖的可训练嵌入遮罩，以整合由于较深层次姿态估计获得的对应关系的置信度得分，从而消除了额外的计算。在两个大规模室外 LiDAR 点云数据集上进行了广泛实验，以展示提出的 HDMNet 的高准确性和高效性。
outdoor lidar point cloudsregistrationhierarchical neural networkdouble attentionhdmnet
发现论文，激发创造
  • HRegNet：一种用于大规模室外 LiDAR 点云对齐的分层网络

    本文提出了一种用于大规模室外激光雷达点云注册的高效分层网络 HRegNet，其中使用分层提取的关键点和描述符进行注册，并结合深层可靠特征和浅层精准位置信息以实现稳健和精确的注册。 通过对两个大规模室外 LiDAR 点云数据集进行广泛实验，证明了该网络的高精度和高效性。

    Jul, 2021

  • 高密度变化的 3D 点云语义分割

    本文提出了一种名为 HDVNet 的新型架构，针对测量应用程序中的点云具有的大局部密度变化提出解决方案，通过一个嵌套的编码器 - 解码器通路集合来处理特定的点密度范围，有效地处理了输入密度变化，提高了分割精度。

    Jul, 2023

  • 大规模室外点云配准的深度语义图匹配

    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

  • 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

  • 高效点云配准的动态网络

    该论文介绍了一种动态方法，通过多次迭代点云数据的注册过程，识别匹配点聚类区域，从而删除噪点，并通过评估每个注册阶段的结果以提高网络效率。实验证明，该模型相较于其他方法在相似结果上显著减少时间消耗，室内数据集 (3DMatch) 速度提升超过 41%，室外数据集 (KITTI) 速度提升 33%，同时保持竞争性的注册召回需求。

    Dec, 2023

  • 图像与激光雷达点云的端到端二维到三维配准用于车辆定位

    本研究提出了一种名为 I2PNet 的新型端对端 2D-3D 注册网络，该网络能够精确定位机器人并在相机 - LiDAR 在线校准方面表现出色。

    Jun, 2023

  • 2D3D-MatchNet：学习在 2D 图像和 3D 点云之间匹配关键点

    本研究提出了一种名为 2D3D-MatchNet 的深度网络结构，能够直接从图像和点云中的 2D 和 3D 关键点描述符中匹配和建立 2D-3D 对应关系，并用于视觉位姿估计，结果表明该方法是可行的。

    Apr, 2019

  • DeepMapping2: 自监督大规模 LiDAR 地图优化

    DeepMapping2 提出了两种新技术，基于地图拓扑的组织训练数据批次，以及借助成对的点云配准进行自监督局部 - 全局点云一致性损失，解决 DeepMapping 在大规模数据集中计算慢、全局定位网络收敛不足和缺少闭环和精确跨帧点对应等问题，实验表明了我们方法的有效性。

    Dec, 2022

  • 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

  • DSMNet: 从稀疏点云帧中进行深度高精度三维表面建模

    该研究提出了一种基于 HPMB 数据集的建模评估方法和一种针对稀疏点云帧的高精度三维表面建模的联合学习框架 DSMNet，通过实验表明，DSMNet 在 Multi-View Partial Point Cloud (MVP) 数据库上的表现优于当今最先进的方法，并可以广泛应用于稀疏点云环境中的同时定位和地图构建 (SLAM) 的后处理，从而提高了建模精度。

    Apr, 2023