Apr, 2024

PoCo：RGBD 室内地点识别的点上下文聚类

PDF
TL;DR我们提出了一种新的端到端算法（PoCo）用于室内 RGB-D 场所识别任务，旨在识别给定查询帧在参考数据库中最可能的匹配。我们提出了一种新的网络架构，通过端到端学习直接从噪声点云中提取全局描述符，并将颜色和几何模态集成到点特征中以增强全局描述符表示。我们在公共数据集 ScanNet-PR 和 ARKit 上进行了评估，结果显示 PoCo 在性能和效率方面均优于已发表的最佳结果 CGis，并证明了 PoCo 在识别实际实验室环境中的位置方面的有效性。
end-to-end algorithmindoor rgb-d place recognitionpocoglobal descriptorsefficiency
发现论文，激发创造
  • 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

  • CPO: 改进鲁棒性普通全景转换为点云定位

    CPO 是一种针对 2D 全景图像和 3D 点云进行快速和鲁棒定位的算法，通过使用色彩直方图和得分图进行可靠定位，其重点是处理包含场景变化的情况。

    Jul, 2022

  • ModaLink: 图像到点云的高效场景识别

    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

  • PICCOLO：基于点云的全向定位

    本文提出了简单高效的 PICCOLO 算法，通过对点云与全景图片进行配准，利用采样损失将实现了全方位定位的单张图像查询。相比传统的基于像素点的光度损失函数，基于采样的损失函数能够有效地克服全向图像的严重视觉扭曲，并利用全局上下文处理具有挑战性的视觉定位场景，在各种环境下都超越现有算法的准确性和稳定性。

    Aug, 2021

  • BiCo-Net: 全局回归，局部匹配，用于强韧的 6D 姿态估计

    本研究提出了一种双向对应映射网络 (BiCo-Net)，使用定向点对进行局部匹配，并结合姿态感知信息，生成并优化局部坐标及其法向量，以恢复起源于 RGB-D 图像、被分割成对象实例的物体的 6D 姿态，从而实现克服因严重遮挡和深度图像中的系统噪声而带来的挑战。实验结果表明，该方法在三个流行的基准数据集上可实现最先进的性能，尤其适用于更具挑战性的严重遮挡场景。

    May, 2022

  • 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

  • 使用连续地点描述符回归实现精准视觉定位的 CoPR 方法

    该论文旨在提高基于图像的位置估计方法（Visual Place Recognition）的精度，作者通过提出一种连续的地点描述符回归方法（Continuous Place-descriptor Regression），在已有的参考图片上进行插值和外推，以增加参考图片的密度，通过实验结果发现该方法可以提高约 30% 的定位精度，相比使用视角不变损失函数，该方法可以额外提高约 15%。

    Apr, 2023

  • PoCo: 基于极坐标变换的渐进对比度学习的自监督方法

    通过基于极坐标转换的渐进对比学习的自监督方法，我们提出了一种用于眼科疾病诊断的自动方法。实验结果表明，我们的方法在三个公共眼科疾病数据集上达到了最先进的性能，具有良好的泛化能力，验证了我们的方法可以减少注释工作并提供可靠的诊断。

    Mar, 2024

  • DeepPCO: 深度并行神经网络实现的端到端点云里程计

    本文研究如何利用深度学习估计点云里程计，并提出了一个称为 DeepPCO 的新型神经网络模型，可通过估计连续点云来预测 6 自由度姿态，实验结果表明该方法在位姿准确性方面表现良好。

    Oct, 2019

  • PointLoc: LiDAR 点云定位的深度姿态回归器

    本研究提出一种新型的端到端基于学习的 LiDAR 重定位框架，名为 PointLoc，它直接利用单个点云作为输入来推导 6-DoF 位姿，无需预先构建地图。该框架基于 PointNet，使用自我关注机制，能够高效地从 360 度 LiDAR 输入帧估计 6-DoF 位姿，并在实验中表现出较高的重定位精度。

    Mar, 2020