3D点云完美匹配
The Perfect Match: 3D Point Cloud Matching with Smoothed Densities
地址链接：
代码链接：https://github.com/zgojcic/3DSmoothNet
摘要
提出三维平滑网，一个完整的工作流程来匹配三维点云与siamese深度学习架构和全卷积层使用体素化平滑密度值（SDV）表示。后者按兴趣点计算，并与局部参考坐标系（LRF）对齐，以实现旋转不变性。紧凑、学习、旋转不变的三维点云描述符在3DMatch基准数据集[49]上实现了94.9%的平均召回率，在仅32个输出维度的情况下，其性能超过最新水平20%以上。这种非常低的输出维度允许在标准PC上对每个特征点进行0.1毫秒的近实时对应搜索。SDV、LRF和学习具有完全卷积层的高描述性特征，本文用传感器和场景诊断。在建筑物的RGB-D室内场景上训练的3d smoothnet在室外植被的激光扫描上达到79.0%的平均召回率，比最近的、以学习为基础的竞争对手[49、17、5、4]的性能提高了一倍以上。
贡献
提出了一种新的用于三维点云匹配的紧凑学习局部特征描述子，该描述子计算效率高，性能显著优于现有的所有方法。
一个主要技术创新是平滑密度值（SDV）体素化，是一种新的输入数据表示方法，适用于标准深度学习库的完全卷积层。SDV的增益是两倍。一方面，它减少了稀疏性输入体素网格，在反向传播过程中有更好的梯度流动，同时减少边界效应，以及平滑由于局部参考帧（LRF）估计错误而导致的小的未对准。另一方面，模拟了深层网络通常在第一层学习的平滑，节省了学习高度描述性特征的网络容量。
其次，提出了一个具有完全卷积层的暹罗网络结构，学习一个非常紧凑的、旋转不变的3D局部特征描述。这种方法生成低维、高度描述性的特征，这些特征概括了不同的传感器模式以及从室内到室外的场景。
此外，证明了低维特征描述符（只有16或32个输出维）极大地加快了对应搜索的速度，从而允许实时应用。
工作流程如下（图2和3）：
（i）给定两个原始点云。
（ii）计算随机选择的兴趣点周围球面邻域的LRF。
（iii）将邻域转换为其规范表示。
（i v）借助高斯平滑对其进行体素化。
（v）推断每个点的局部特征使用3DSmoothNet的描述符，例如，用作基于RANSAC的健壮点云注册管道的输入。
与手工制作的特征表示不同，SDV体素网格表示为输入提供了几何信息结构，能够利用卷积层来捕获点云的局部几何特征（图5）。
网络架构（图3）受到L2Net[36]的启发，L2Net是一个最先进的学习型局部图像描述符。3DSmoothNet由堆叠的卷积层组成，在一些卷积层中应用2步（而不是最大池）来向下采样输入[33]。除最后一层外，所有卷积层后面都是批量标准化[14]并使用ReLU激活函数[22]。
在3DMatch数据集的点云碎片上训练3dsmouthNet（图3）[49]。这是一个RGB-D数据集，由62个真实的室内场景组成，从办公室和酒店房间到桌面和卫生间。从数据集池[41、32、19、39、3]获得的点云被分成54个场景进行训练，8个场景进行测试。每一个场景被分割成若干部分重叠的片段，其地面真值转换参数为T。
表中总结了与3DMatch数据集的最新实验评估结果的比较。图4所示为1（左）和2个hard数据集。
一般目标是以最低的输出维度（即3dsmouthNet最后一个卷积层中的滤波器数目）实现最高的匹配性能，以减少运行时间并节省内存。首先进行测试，以找到3dsmouthNet描述符匹配性能和效率之间的一个很好的折衷方案。随着输出尺寸的增加，3dsmouthNet的性能很快开始饱和（图6）。当使用超过64个维度时，只有边际改进（如果有的话）。决定只对16维和32维的3DSmoothNet进行进一步的实验。
增大输入比τ2=0.2显著减少RANSAC迭代到≈850，大大加快处理速度。评估了与所有其他测试方法相比，逐渐增加的内联比如何改变3DSmoothNet的性能（图7）。当τ2=0.2时，所有其他方法的平均召回率都低于30%，而（16）（蓝色）和（32）（橙色）的召回率分别高达62%和72%。只要3dsmouthNet替换现有的描述符，任何基于描述符的点云注册管道都可以变得更加高效。
由于内存限制，3DMatch使用边缘等于1.5 m的体素网格。ETH数据集的结果报告在表3中。3DSmoothNet的平均性能最好（右栏），本文平均召回率为79.0%，明显优于平均召回率为48.2%，因为它的输出维度更大。（32人）以超过15%的分数击败亚军（无监督），而所有最先进的方法都显著低于30%。事实上，（32）应用于室外激光扫描仍然优于所有在3DMatch数据集上接受训练和测试的竞争对手（参见表1，表3）。
将3DMatch测试片段上每个兴趣点的方法平均运行时间与Tab4中的[49]进行比较（与Intel Xeon E5-1650、32 GB ram和NVIDIA GeForce GTX1080运行在同一台PC上）。注意，输入准备（input prep.）和[49]的推断是在GPU上处理的，在CPU上以当前状态进行输入准备。