Learning Dense Features for Point Cloud Registration Using a Graph Attention Network

要約

点群の登録は、ローカライゼーション、マッピング、トラッキング、再構成など、多くのアプリケーションにおいて基本的なタスクである。登録の成功は、ロバストで識別可能な幾何学的特徴の抽出に依存する。既存の学習ベースの手法は、多数の生点を同時に処理するために高い計算能力を必要とするが、GPUを用いた強力な並列計算処理のおかげで、計算能力の限界は問題ではない。本論文では、点群のマッチングと登録のためのグラフアテンションネットワーク（DFGAT）を用いて、効率的かつ経済的に密な特徴を抽出する枠組みを紹介する。DFGATの検出器は、大規模な生データセットから信頼性の高いキーポイントを見つける役割を担っている。DFGATの記述子は、これらのキーポイントとその近傍を組み合わせて、マッチングの準備のために不変の密度特徴を抽出する。グラフアテンションネットワーク（GAT）は、点群間の関係を豊かにするアテンション機構を利用する。最後に、これを最適輸送問題とみなし、Sinkhornアルゴリズムを用いて、正負のマッチングを見つける。KITTIデータセットで徹底的なテストを行い、この手法の有効性を評価する。その結果、効率的にコンパクトなキーポイントの選択と記述を行う本手法は、他の最先端アプローチと比較して、最高のパフォーマンスマッチング指標を達成し、99.88%という最高の登録成功率に到達することができることが示された。

要約(オリジナル)

Point cloud registration is a fundamental task in many applications such as localization, mapping, tracking, and reconstruction. Successful registration relies on extracting robust and discriminative geometric features. Though existing learning based methods require high computing capacity for processing a large number of raw points at the same time, computational capacity limitation is not an issue thanks to the powerful parallel computing process using GPU. In this paper, we introduce a framework that efficiently and economically extracts dense features using a graph attention network for point cloud matching and registration (DFGAT). The detector of the DFGAT is responsible for finding highly reliable key points in large raw data sets. The descriptor of the DFGAT takes these keypoints combined with their neighbors to extract invariant density features in preparation for the matching. The graph attention network (GAT) uses the attention mechanism that enriches the relationships between point clouds. Finally, we consider this as an optimal transport problem and use the Sinkhorn algorithm to find positive and negative matches. We perform thorough tests on the KITTI dataset and evaluate the effectiveness of this approach. The results show that this method with the efficiently compact keypoint selection and description can achieve the best performance matching metrics and reach the highest success ratio of 99.88% registration in comparison with other state of the art approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL