吃不胖的粥

论文阅读 论文题目SOE-Net: A Self-Attention and Orientation Encoding Network for Point Cloud based Place Recognition

论文阅读 LCDNet: Deep Loop Closure Detection for LiDAR SLAM based on Unbalanced Optimal Transport

论文阅读 PoinNetVLAD：Deep Point Cloud Based Retrieval for Large-Scale Place Recognition

论文阅读 3D LiDAR-Based Global Localization Using Siamese Neural Network

文章阅读 RINet: Efficient 3D Lidar-Based Place RecognitionUsing Rotation Invariant Neural Network

文章阅读 论文题目OverlapTransformer: An Efficient and Yaw-Angle-Invariant Transformer Network for LiDAR-Based Place Recognition

文章阅读 文章标题 SA-LOAM: Semantic-aided LiDAR SLAM with Loop Closure

文章阅读 文章标题LLOAM: LiDAR Odometry and Mapping with Loop- closure Detection Based Correction

文章阅读 论文题目OverlapNet: Loop Closing for LiDAR-based SLAM 2020 RSS

SegMatch：Segment-based place recognition in 3D point cloud

论文：https://arxiv.org/pdf/1910.11088.pdf无源码

论文：https://openaccess.thecvf.com/content_CVPR_2019/papers/Li_LO-Net_Deep_Real-Time_Lidar_Odometry_CVPR_2019_paper.pdf没有源码：

论文：https://arxiv.org/pdf/2011.05418.pdf源码: https://github.com/leggedrobotics/DeLORA

https://blog.youkuaiyun.com/phy12321/article/details/108445509占个坑

这个是有代码的https://github.com/felja633/DARE

文章瞎读

刚开始的时候竟然还觉得IEEE Access是个不错的期刊~~

看多了以后，就发现描述子的构建基本上就那么几种变来变去~~

在等数据结果的过程中没事，上传一下之前总结的一些点云特征描述子由于之前都是写在纸质版的笔记本上的，又不想多打字，只好上传扫描版本的咯，看官们请见谅哈下面主要是讲述基本原理，主要涉及到一些经典的描述子： PFH， FPFH， Spin Image， SHOT， RoPS， TriSI， 3DSC， USC， ISS， VD_LSD， LSP， THRIFT， 很多算法在PCL中已经实现了。最...

评价两个描述子相似性的时候可以用上

这个方法速度贼快 ~~

Reconstruction of scaffolds from a photogrammetric point cloud of construction sites using a novel 3D local feature descriptor(懒癌晚期，不想重新打字~~~）

（之前都是写在葵花宝典上，怕本子会消失，我又懒得重写打字，所以扫描后记录在博客上）（PS：我是真的好喜欢在纸质本子上写字的感觉啊啊）能力有限，有错误的地方欢迎指出！...

点云(Point Cloud)DeepI2P: Image-to-Point Cloud Registration via Deep Classification(通过深度分类的图像到点云配准)paper|codeFESTA: Flow Estimation via Spatial-Temporal Attention for Scene Point Clouds(FESTA：场景点云通过时空注意进行光流估计)paperDenoise and Contrast for Category...

最近在看牛津大学和国防科大联合一起新发的cvpr2020 的randla-net：作者写的解读链接可参考https://cloud.tencent.com/developer/article/1594448。由于对于大规模点云深度学习而言，采样是不可避免的一个步骤，因此记录下解读里面关于点云采样的部分。目录1. Heuristic Sampling1.1 Farthest Point Sampling (FPS)：1.2 Inverse Density Importance Sampli

最近在看一篇论文《Density Adaptive Point Set Registration》，是2018年cvpr中一篇关于点云配准的文章，主要是针对密度分布不均匀情况的配准。里面涉及到了很多的名词都不知道，因此在这篇文章里面记录一下。（偏计算机专业的顶会文章还是比较注重数学的，真的是一开始接触看都看不懂说的啥系列，需要补的知识太多了）Kullback-Leibler divergenc...