本文介绍了一种名为USIP的无监督学习方法，用于从三维点云中检测稳定的兴趣点。该方法通过引入概率Chamfer损失和点到点损失来提高关键点的重复性和定位准确性。
USIP: Unsupervised Stable Interest Point Detection from 3D Point Clouds
新加坡国立大学
代码链接:https://github.com/lijx10/USIP
这是一篇通过无监督学习来进行点云关键点检测的文章.
整体的网络结构:
首先将输入的点云进行随机旋转平移变换，网络分别对两个点云进行关键点提取得到关键点 Q Q Q，并对每个关键点的不确定度进行预测得到 ∑ \sum ∑。
损失函数
-
Probabilistic Chamfer Loss
作者希望网络能够学习点云中的稳定的关键点（repeatability），也就是说两个场景信息大部分重合的点云，即网络的两个输入，应该能够提取出相同的关键点来。也就是说在根据输入点云之间的变换关系将两个预测的关键点变换到同一坐标系下之后，关键点对之间应该是非常靠近的，可以使用chamfer loss进行约束：
∑ i = 1 M min Q j ′ ∈ Q ′ ∥ Q i − Q j ′ ∥ 2 2 + ∑ j = 1 M min Q i ∈ Q ∥ Q i − Q j ′ ∥ 2 2 \sum_{i=1}^{M} \min _{Q_{j}^{\prime} \in \mathbf{Q}^{\prime}}\left\|Q_{i}-Q_{j}^{\prime}\right\|_{2}^{2}+\sum_{j=1}^{M} \min _{Q_{i} \in \mathbf{Q}}\left\|Q_{i}-Q_{j}^{\prime}\right\|_{2}^{2} i=1∑MQj′∈Q′min∥∥Qi−Qj′∥∥22+j=1∑MQi∈Qmin∥∥Qi−Qj′∥∥
最低0.47元/天 解锁文章
扫一扫
272
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
