RoCNet:一种利用深度学习的鲁棒性3D点云配准 |
您所在的位置:网站首页 › 二维向量点积公式推导方法 › RoCNet:一种利用深度学习的鲁棒性3D点云配准 |
论文作者 | Karim Slimani1, Brahim Tamadazte1, Catherine Achard 论文来源 | CVPR2023 文章解读 | William | 来源:深蓝AI 一、摘要 本文介绍了一种基于深度学习的三维点云配准新方法。该架构由三个部分组成: (1)编码器由基于卷积图的描述符组成,该描述符对每个点的近邻进行编码,并采用注意机制对表面法线的变化进行编码,突出同一集合的点之间以及两个集合的点之间的注意力; (2)使用Sinkhorn算法估计对应矩阵的匹配过程; (3)通过对应矩阵中的最佳分数Kc,利用RANSAC计算两个点云之间的刚性变换。 最后,在ModelNet40数据集上进行实验,提出的架构在大多数模拟配置中优于最先进的方法,包括部分重叠和高斯噪声的数据增强。 二、网络结构 提出的RoCNet网络结构如图1所示,主要包含三个部分:1)由卷积图网络组成的描述符算子,进行编码每个点的近邻和一个编码表面法线变化的注意机制;2) 使用Sinkhorn算法估计对应矩阵的匹配模块;3) 利用RANSAC模块中Kc来计算刚性变换,得到最佳匹配结果 图1 网络结构 三、方法 3.1 点云描述子 定义点云X和点云Y,存在部分重叠,故至少存在K(K |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |