ECCV2020，如何构建鲁棒且泛化性强的全局点云匹配算法？

“15分钟看顶会”是旷视研究院全新推出的论文快速解读专栏&＃xff0c;聚焦旷视在全球各大顶会、期刊等平台所发表的工作&＃xff0c;覆盖深度学习、计算机视觉、视觉导航与控制、计算摄影学、大规模机器学习系统、机器人学等方向。

与传统论文视频解读动辄30min时长不同&＃xff0c;本专栏尽可能将时间控制在15分钟左右&＃xff0c;以方便读者在日常通勤、等待、出行等时间受限的场景下高效利用碎片化时间进行学习、交流。

欢迎大家和我们一起“深度学习”&＃xff0c;也欢迎对这种论文解读方式提出您的宝贵建议。

本期是“15分钟看顶会”专栏 ECCV 2020 论文解读系列的第三篇&＃xff0c;旷视研究院提出一种基于学习的全局点云匹配算法IDAM。该算法的输入是一组点云对&＃xff0c;在提取几何特征与距离特征后送入迭代相似性矩阵卷积模块&＃xff08;similarity matrix convolution&＃xff09;&＃xff0c;可以获取点云对之间的3d刚体变换矩阵完成匹配。

• 论文题目&＃xff1a;
  Iterative Distance-Aware Similarity Matrix Convolution with Mutual-Supervised Point Elimination for Efficient Point Cloud Registration

• 论文链接&＃xff1a;
  https://arxiv.org/abs/1910.10328

• 论文代码&＃xff1a;
  https://github.com/jiahaowork/idam

• 关键词&＃xff1a;
  点云配准

为了降低计算成本和减少点对误匹配&＃xff0c;旷视研究院提出了hard point elimination和hybrid point elimination两种可学习的点云下采样方式来选取重要点&＃xff0c;它们通过互监督损失&＃xff08;mutual-supervision loss&＃xff09;进行训练&＃xff0c;不需要人为对点进行任何标注。

该算法可以很方便地和传统或者基于学习的点云特征进行结合。在ModelNet40数据集上&＃xff0c;研究人员将IDAM与多种传统点云匹配算法和其他基于学习的点云匹配算法进行了实验对比。结果表明&＃xff0c;IDAM在匹配的精度和速度上&＃xff0c;都有很大的优势&＃xff0c;且对于部分重叠或受噪声影响点云对的匹配鲁棒性和未见过点云模型的泛化能力都很强大。

入群交流

传送门 

实习简历请投递至&＃xff1a;ur&＃64;megvii.com

欢迎大家关注如下 旷视 官方微信号????