论文笔记：学习紧密的几何特征Learning Compact Geometric Features

朱骥伦

于 2021-06-29 17:22:34 发布

阅读量689

点赞数 3

分类专栏：计算摄像学论文相关深度学习文章标签：网络人工智能计算机视觉深度学习算法

本文链接：https://blog.youkuaiyun.com/qq_36587495/article/details/118248893

版权

本文探讨了点云配准中的3D局部特征描述方法，提出了一种学习方法，通过hand-crafted 3D local feature descriptor作为神经网络输入，输出learning-based 3D local feature descriptor。网络结构包含5层全连接网络，实现非线性降维，优化目标是使点云匹配更精确。实验结果显示在网络降维后的欧几里得空间中，点云匹配的准确性和效率都有显著提升。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

论文地址： Learning Compact Geometric Features

概述

这篇文章是点云配准领域的一篇文章，点云匹配过程中，两个模型必然存在一定程度上的旋转或平移，在三维参考平面内，每个点的相对坐标都发生了变化，但点与点之间的相对位置没有发生变化，因此，得到每个点附近的点的特征是很有意义的。

为了解决3D局部特征描述的方法，提出了一种独特的学习特征的方法，其中这些特征代表了非结构化点云中某个点上的局部几何；学习的过程则是设计了一种hand-crafted 3D local feature descriptor，将其作为网络的输入，网络的输出则为learning-based 3D local feature descriptor。