要約
3Dスキャンやポイントクラウドからの幾何学的特徴抽出は、登録、再構成、トラッキングなどの応用において最初のステップである。現在の最先端手法では、低レベル特徴を入力として計算するか、受容fieldが限定されたパッチベースの特徴を抽出する必要がある。本研究では、3D全結合畳み込みネットワークを用いて1回のパスで計算可能な完全畳み込み幾何学的特徴を提案する。さらに、性能を著しく向上させる新しいメトリック学習損失関数も提示する。完全畳み込み幾何学的特徴はコンパクトであり、広範な空間的文脈を捉え、大規模なシーンにもスケーラブルである。我々は、屋内および屋外のデータセットを用いて実験的に本手法の有効性を検証した。完全畳み込み幾何学的特徴は前処理を必要とせず、最先端の精度を達成しており、次元数は32とコンパクトであり、最も正確な既存手法よりも600倍高速である。