D3Feat: التعلم المشترك لكشف الكثافة ووصف الميزات المحلية ثلاثية الأبعاد

يُعد النجاح في تسجيل سحابات النقاط غالبًا مرهونًا بإنشاء مطابقات نادرة قوية من خلال سمات محلية ثلاثية الأبعاد تمييزية. وعلى الرغم من التطور السريع في واصفات السمات ثلاثية الأبعاد القائمة على التعلم، إلا أن القليل من الاهتمام قد تم إيلاؤه لتعلم كاشفات السمات ثلاثية الأبعاد، وربما أقل من ذلك لتعلم مزدوج لهذه المهمتين معًا. في هذا البحث، نستفيد من شبكة تلافيفية كاملة ثلاثية الأبعاد لسحابات النقاط، ونُقدّم آلية تعلّم جديدة وعملية تتنبأ بشكل كثيف بدرجة كشف وسمة وصفية لكل نقطة ثلاثية الأبعاد. وبشكل خاص، نقترح استراتيجية اختيار النقاط المميزة التي تتجاوز التغيرات الطبيعية في الكثافة الخاصة بسحابات النقاط ثلاثية الأبعاد، ونُقدّم أيضًا خسارة كاشف مُشَجَّعَة ذاتيًا تُوجَّه بواسطة نتائج المطابقة السريعة للسمات أثناء التدريب. في النهاية، تُحقّق طريقة عملنا نتائج من الدرجة الأولى في البيئات الداخلية والخارجية، وذلك عند تقييمها على مجموعتي بيانات 3DMatch وKITTI، وتُظهر قدرة قوية على التعميم على مجموعة بيانات ETH. وبالنسبة للاستخدام العملي، نُظهر أنه من خلال اعتماد كاشف سمات موثوق، يكفي أخذ عدد أقل من السمات لتحقيق تطابق دقيق وسريع لسحابات النقاط. إطلاق الكود