TransLoc3D：基于点云的大规模位置识别使用自适应感受野

位置识别在自动驾驶和机器人导航领域发挥着至关重要的作用。基于点云的方法主要集中在从点云的局部特征中提取全局描述符。尽管已取得令人鼓舞的成果，但现有解决方案忽视了以下几个方面，可能导致性能下降：(1) 户外场景中物体的巨大尺寸差异；(2) 与位置识别无关的移动物体；(3) 长距离上下文信息。我们指出，上述方面给提取具有区分性的全局描述符带来了挑战。为了解决这些问题，我们提出了一种名为 TransLoc3D 的新方法，该方法利用带有逐点重新加权方案的自适应感受野来处理不同尺寸的物体并抑制噪声，并通过外部变压器捕捉长距离特征依赖关系。与现有的采用固定且有限的感受野的架构不同，我们的方法受益于尺寸自适应的感受野以及全局上下文信息，在流行的基准数据集上显著优于当前最先进的技术。