HyperAIHyperAI
il y a 2 mois

DH3D : Descripteurs 3D hiérarchiques profonds pour une relocalisation robuste à grande échelle en 6 degrés de liberté

Du, Juan ; Wang, Rui ; Cremers, Daniel
DH3D : Descripteurs 3D hiérarchiques profonds pour une relocalisation robuste à grande échelle en 6 degrés de liberté
Résumé

Pour la rélocalisation dans de grands nuages de points, nous proposons la première approche qui unifie la reconnaissance globale des lieux et le raffinement local de la pose en 6 degrés de liberté (6DoF). À cette fin, nous concevons un réseau Siamese qui apprend conjointement la détection et la description des caractéristiques locales 3D directement à partir de points 3D bruts. Il intègre FlexConv et Squeeze-and-Excitation (SE) pour garantir que le descripteur local appris capture des informations géométriques à plusieurs niveaux et les relations entre canaux. Pour détecter les points clés 3D, nous prédisons l'aptitude discriminante des descripteurs locaux d'une manière non supervisée. Nous générons le descripteur global en agrégant directement les descripteurs locaux appris avec un mécanisme d'attention efficace. De cette façon, les descripteurs 3D locaux et globaux sont inférés en une seule passe avant. Les expériences sur diverses benchmarks montrent que notre méthode obtient des résultats compétitifs tant pour la recherche globale de nuages de points que pour l'enregistrement local de nuages de points par rapport aux approches les plus avancées actuellement disponibles. Pour valider la généralisabilité et la robustesse de nos points clés 3D, nous démontrons également que notre méthode performe favorablement sans ajustement fin sur l'enregistrement de nuages de points générés par un système SLAM visuel. Le code source et les documents connexes sont disponibles à l'adresse suivante : https://vision.in.tum.de/research/vslam/dh3d.

DH3D : Descripteurs 3D hiérarchiques profonds pour une relocalisation robuste à grande échelle en 6 degrés de liberté | Articles de recherche récents | HyperAI