Learning Dense Features for Point Cloud Registration Using Graph Attention Network

要約

点群の登録は、ローカリゼーション、マッピング、追跡、再構築などの多くのアプリケーションの基本的なタスクです。
登録を成功させるには、堅牢で識別力のある幾何学的特徴を抽出する必要があります。
既存の学習ベースの方法では、多数の生のポイントを同時に処理するために高い計算能力が必要です。
これらのアプローチは説得力のある結果を達成しますが、計算コストが高いため、実際の状況に適用することは困難です。
本論文では、点群マッチングと登録のためのグラフ注意ネットワーク（DFGAT）を使用して高密度の特徴を効率的かつ経済的に抽出するフレームワークを紹介します。
DFGATの検出器は、大規模な生データセットで信頼性の高いキーポイントを見つける役割を果たします。
DFGATの記述子は、これらのキーポイントを隣接するポイントと組み合わせて取得し、マッチングの準備として不変密度の特徴を抽出します。
グラフアテンションネットワークは、ポイントクラウド間の関係を強化するアテンションメカニズムを使用します。
最後に、これを最適な輸送問題と見なし、シンクホーンアルゴリズムを使用して正と負の一致を見つけます。
KITTIデータセットに対して徹底的なテストを実行し、このアプローチの有効性を評価します。
結果は、効率的にコンパクトなキーポイントの選択と説明を備えたこの方法が、他の最先端の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メトリックを達成し、99.88％の登録の最高の成功率に到達できることを示しています。

要約(オリジナル)

Point cloud registration is a fundamental task in many applications such as localization, mapping, tracking, and reconstruction. The successful registration relies on extracting robust and discriminative geometric features. Existing learning-based methods require high computing capacity for processing a large number of raw points at the same time. Although these approaches achieve convincing results, they are difficult to apply in real-world situations due to high computational costs. In this paper, we introduce a framework that efficiently and economically extracts dense features using 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 key points combined with their neighbors to extract invariant density features in preparation for the matching. The graph attention network 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 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, Google