GIDP: Learning a Good Initialization and Inducing Descriptor Post-enhancing for Large-scale Place Recognition

要約

大規模な場所の認識は、自動運転とロボット工学においてますます重要な役割を果たす、基本的ではあるが困難なタスクです。
既存の方法は許容できる良好なパフォーマンスを達成していますが、それらのほとんどは精巧なグローバル記述子学習ネットワーク構造の設計に集中しています。
機能の一般化と記述子の拡張後の重要性は、長い間無視されてきました。
この作業では、大規模な場所認識のための適切な初期化と誘導記述子 Poseenhancing を学習する GIDP という名前の新しい方法を提案します。
特に、教師なし運動量コントラスト点群事前トレーニング モジュールと再ランキングに基づく記述子後強化モジュールがそれぞれ GIDP で提案されています。
前者は、場所認識モデルをトレーニングする前にポイント クラウド エンコーディング ネットワークの適切な初期化を学習することを目的としていますが、後者は、推論時に再ランキングすることにより、予測されたグローバル記述子を事後強化することを目的としています。
屋内と屋外の両方のデータセットでの広範な実験により、私たちの方法が単純で一般的な点群エンコーディング バックボーンを使用して最先端のパフォーマンスを達成できることが実証されています。

要約(オリジナル)

Large-scale place recognition is a fundamental but challenging task, which plays an increasingly important role in autonomous driving and robotics. Existing methods have achieved acceptable good performance, however, most of them are concentrating on designing elaborate global descriptor learning network structures. The importance of feature generalization and descriptor post-enhancing has long been neglected. In this work, we propose a novel method named GIDP to learn a Good Initialization and Inducing Descriptor Poseenhancing for Large-scale Place Recognition. In particular, an unsupervised momentum contrast point cloud pretraining module and a reranking-based descriptor post-enhancing module are proposed respectively in GIDP. The former aims at learning a good initialization for the point cloud encoding network before training the place recognition model, while the later aims at post-enhancing the predicted global descriptor through reranking at inference time. Extensive experiments on both indoor and outdoor datasets demonstrate that our method can achieve state-of-the-art performance using simple and general point cloud encoding backbones.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google