완벽한 매칭: 평활화된 밀도를 이용한 3D 포인트 클라우드 매칭

우리는 3DSmoothNet을 제안합니다. 이는 시아메즈 딥 러닝 아키텍처와 완전 컨볼루션 계층을 사용하여 3D 포인트 클라우드를 매칭하는 전체 워크플로입니다. 이 방법은 각 관심점에 대해 계산되며, 로컬 참조 프레임(LRF)에 정렬되어 회전 불변성을 달성합니다. 우리의 컴팩트하고 학습된 회전 불변 3D 포인트 클라우드 설명자는 3DMatch 벤치마크 데이터 세트에서 평균 재현율 94.9%를 달성하며, 단지 32개의 출력 차원으로 기존 최신 기술보다 20%포인트 이상 우수한 성능을 보입니다. 이와 같이 매우 낮은 출력 차원은 표준 PC에서 특징점 하나당 0.1ms로 거의 실시간 대응 검색이 가능하게 합니다. SDV, LRF 및 완전 컨볼루션 계층을 사용하여 높이 설명적인 특징을 학습하기 때문에, 우리의 접근 방식은 센서 및 장면에 독립적입니다. 우리는 3DSmoothNet이 건물의 RGB-D 실내 장면만으로 훈련되었음에도 불구하고 야외 식물군의 레이저 스캔에서 평균 재현율 79.0%를 달성함을 보여주며, 이는 가장 가까운 학습 기반 경쟁자들보다 두 배 이상 성능이 우수합니다. 코드, 데이터 및 사전 훈련된 모델은 온라인으로 https://github.com/zgojcic/3DSmoothNet에서 제공됩니다.