厦大南洋理工最新开源,一种面向户外场景的特征-几何一致性无监督点云配准方法

导读

本文提出了INTEGER,一种面向户外点云数据的无监督配准方法,通过整合高层上下文和低层几何特征信息来生成更可靠的伪标签。该方法基于教师-学生框架,创新性地引入特征-几何一致性挖掘(FGCM)模块以提高伪标签的准确性,并利用锚点对比学习(ABCont)和混合密度学生(MDS)模块实现密度不变的特征学习。实验结果显示,INTEGER在大规模户外场景中表现出色,在多个数据集上达到了较高的配准精度和良好的泛化性,显著优于其他无监督方法

论文信息

  • 论文标题: Mining and Transferring Feature-Geometry Coherence for Unsupervised Point Cloud Registration

  • 作者: Kezheng Xiong, Haoen Xiang, Qingshan Xu, Chenglu Wen∗, Siqi Shen, Jonathan Li, Cheng Wang

  • 论文链接: https://arxiv.org/pdf/2411.01870

  • 项目地址: https://github.com/kezheng1204/INTEGER

动机(motivation)

当前无监督点云配准方法在大规模户外场景中面临的局限性:这些方法依赖于低层几何特征,但缺乏对高层上下文信息的有效整合,导致伪标签质量差、优化目标不够可靠,尤其在稠密度变化和低重叠场景下难以适用。此外,现有方法在处理复杂场景中的内点(inlier)与外点(outlier)时表现不够理想,使得生成的伪标签在噪声和变密度条件下缺乏鲁棒性。为解决这些问题,本文旨在利用特征-几何一致性挖掘来动态调整伪标签生成过程,通过整合高层上下文信息和几何特征来改进配准精度,实现无监督框架在户外大规模点云配准中的通用性和可靠性。

(1) 动机:新的内点(外点)倾向于分别聚集在特征空间中代表现有内点(外点)的潜在正(负)锚点周围。(2) 性能:INTEGER生成的伪标签相比于当前最先进的EYOC[12]更加稳健且准确。

(1) 动机:新的内点(外点)倾向于分别聚集在特征空间中代表现有内点(外点)的潜在正(负)锚点周围。(2) 性能:INTEGER生成的伪标签相比于当前最先进的EYOC[12]更加稳健且准确。

算法核心思想与实现

本文的核心算法是INTEGER,一个专为无监督点云配准设计的方法,主要通过三个模块实现:特征-几何一致性挖掘(Feature-Geometry Coherence Mining, FGCM)、基于锚点的对比学习(Anchor-Based Contrastive Learning, ABCont)和混合密度学生(Mixed-Density Student, MDS)。以下是每个模块的详细介绍:

The Overall Pipeline

The Overall Pipeline

1. 特征-几何一致性挖掘(FGCM)

FGCM模块负责生成和优化伪标签。为了提高伪标签的准确性,INTEGER采用教师-学生框架,其中教师模型动态适应每批次数据,进而产生较为精确的伪标签。FGCM包括以下步骤:

  • 初始种子匹配提议:FGCM首先通过简单的相似度阈值生成初始匹配对。

  • 特征-几何聚类:基于特征相似度,FGCM逐步扩展初始匹配,利用锚点(正锚点和负锚点)来聚类潜在内点和外点。同时,空间兼容性过滤用于进一步排除不一致的外点。

  • 批次自适应:在每次前向传播中,FGCM会自适应调整教师模型,使其更符合当前批次数据的特征分布,进而生成更精确的伪标签。这一自适应过程利用InfoNCE损失,使教师能够有效区分特征空间中的内点和外点。

2. 基于锚点的对比学习(ABCont)

ABCont模块用于增强特征空间中的鲁棒性,通过锚点约束实现有效的对比学习。在特征空间中,ABCont利用正负锚点代表整体的内点和外点,从而减少了不一致标签带来的噪声,并减少了计算负担。具体实现包括:

  • 伪标签对比损失:ABCont定义了一种基于锚点的对比损失(Lcorr),对正负锚点进行分组,以区分内点和外点。

  • 对比学习目标:通过将锚点作为学习目标,ABCont使学生模型能够在特征空间中学习到与教师模型一致的特征表示,并提高学生模型在新数据上的泛化能力。

3. 混合密度学生(MDS)

MDS模块用于解决点云密度变化对配准结果的影响,通过密度不变的特征学习来增强鲁棒性。MDS主要步骤如下:

  • 混合密度特征匹配:通过对点云进行不同密度的采样,MDS在密度较低和较高的点云中分别提取特征,然后利用ABCont来匹配这些不同密度的特征,进而学习到密度不变的特征。

  • 损失聚合:MDS在稠密和稀疏特征匹配上都使用ABCont损失,通过结合两个损失函数来优化学生模型,使其在密度变化的情况下也能保持较好的特征匹配性能。

4. 整体流程

INTEGER算法的整体训练流程如下:

  1. 教师初始化:首先在合成数据上初始化教师模型,生成初始伪标签。

  2. FGCM自适应伪标签生成:FGCM模块对教师模型进行批次自适应调整,并生成伪标签。

  3. ABCont对比学习:通过基于锚点的对比学习,ABCont模块使学生模型能够在特征空间中学习到与教师一致的特征表示。

  4. MDS密度不变特征学习:MDS模块利用不同密度的点云数据,通过密度不变特征学习增强学生模型的泛化能力。

  5. 更新教师模型:通过迭代训练,教师模型不断学习新的伪标签,为学生模型提供更准确的监督信号。

5. 算法实现的关键技术点

  • 特征-几何一致性:通过结合高低层信息,确保伪标签能够准确地包含内点对应关系。

  • 锚点对比学习:利用锚点来增强特征空间的一致性,使得伪标签在噪声和密度变化条件下更加稳健。

  • 密度不变学习:利用MDS模块实现点云在稀疏和密集场景下的特征一致性,提升算法的鲁棒性。

实现

Comparisons with State-of-the-Art Methods

Comparisons with State-of-the-Art Methods

FGCM自适应前后:逐点特征和对应相似性分布表明,自适应会产生更多的判别特征。

FGCM自适应前后:逐点特征和对应相似性分布表明,自适应会产生更多的判别特征。

INTEGER消融研究。S.T.I表示综合教师初始化。PBSA和FGC分别表示每批自适应和特征几何聚类

INTEGER消融研究。S.T.I表示综合教师初始化。PBSA和FGC分别表示每批自适应和特征几何聚类

总结 & 局限性

本文提出了INTEGER,一种用于点云配准的无监督新方法,通过整合低层几何信息和高层上下文信息来生成可靠的伪标签。该方法引入了特征-几何一致性挖掘模块(FGCM),用于动态地对教师模型进行自适应调整,并基于特征和几何空间进行稳健的伪标签挖掘。然后,我们设计了混合密度学生(MDS)以学习密度不变的特征,并通过锚点对比学习(ABCont)实现高效的对比学习。大量实验表明,INTEGER在两个大型户外数据集上的表现优异,尽管是无监督方法,其结果依然与当前最先进的监督方法相当,甚至在远距离场景中优于现有的无监督方法。此外,我们的方法在未见数据集上的泛化能力也表现出色。

局限性

所提出方法的局限性主要有两点:

  • 方法依赖于教师模型的质量。如果教师模型不准确,特征空间可能会变得过于嘈杂,尤其是在远距离场景下,这会阻碍FGCM中特征-几何聚类的效果。一个可能的改进方案是开发更稳健的教师模型初始化策略。

  • 与现有方法相比,由于FGCM模块中采用了迭代的方法,我们的方法在获取伪标签的速度上稍慢。未来的工作可以探索更高效的伪标签挖掘策略

本文仅做学术分享,如有侵权,请联系删文!

如何利用无监督方法将点云配准做到又准又鲁棒?详细解读24年最新开源的五个State-of-the-Art算法
👇👇👇👇👇👇👇👇👇👇

点击下方卡片

第一时间获取最热行业热点资讯,最新智驾机器人行业技术

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/diannao/60765.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Conda环境与Ubuntu环境移植详解

Conda环境与Ubuntu环境移植详解 在计算机科学中,环境迁移是一项常见的任务,特别是对于使用Anaconda等工具进行数据科学和机器学习的开发人员。迁移环境不仅能够帮助开发者在不同设备间无缝切换,还能确保项目依赖的一致性,从而避免…

【深度学习基础】PyCharm anaconda PYTorch python CUDA cuDNN 环境配置

这里写目录标题 PyCharm 安装anaconda安装PYTorch安装确定python版本CUDA安装cuDNN安装检验环境是否配置成功参照:PyCharm 安装 官网下载 anaconda安装 官网下载 :https://www.anaconda.com/download 配置环境变量,增加 D:\WorkSoftware\Install\Anaconda3 D:\WorkSoftw…

生产环境中AI调用的优化:AI网关高价值应用实践

随着越来越多的组织将生成式AI引入生产环境,他们面临的挑战已经超出了初步实施的范畴。如果管理不当,扩展性限制、安全漏洞和性能瓶颈可能会阻碍AI应用的推广。实际问题如用户数据的安全性、固定容量限制、成本管理和延迟优化等,需要创新的解…

Redis 概 述 和 安 装

安 装 r e d i s: 1. 下 载 r e dis h t t p s : / / d o w n l o a d . r e d i s . i o / r e l e a s e s / 2. 将 redis 安装包拷贝到 /opt/ 目录 3. 解压 tar -zvxf redis-6.2.1.tar.gz 4. 安装gcc yum install gcc 5. 进入目录 cd redis-6.2.1 6. 编译 make …

SpringBoot 2.2.10 无法执行Test单元测试

很早之前的项目今天clone现在,想执行一个业务订单的检查,该检查的代码放在test单元测试中,启动也是好好的,当点击对应的方法执行Test的时候就报错 tip:已添加spring-boot-test-starter 所以本身就引入了junit5的库 No…

Dubbo 3.2 源码导读

Dubbo 是一个高性能的 Java RPC 框架,广泛用于构建分布式服务。Dubbo 3.2 版本引入了一些新的特性和改进,是一个值得深入研究的版本。以下是对 Dubbo 3.2 源码的导读,帮助你理解其架构和设计。 1. 源码获取 从 GitHub 上获取 Dubbo 3.2 的源…

[项目代码] YOLOv5 铁路工人安全帽安全背心识别 [目标检测]

YOLOv5是一种单阶段(one-stage)检测算法,它将目标检测问题转化为一个回归问题,能够在一次前向传播过程中同时完成目标的分类和定位任务。相较于两阶段检测算法(如Faster R-CNN),YOLOv5具有更高的…

Flutter:Widget生命周期

StatelessWidget:无状态部件的生命周期 import package:flutter/material.dart;void main() {runApp(App()); }class App extends StatelessWidget {overrideWidget build(BuildContext context) {return MaterialApp(home: MyHomePage(title: MyHome),);} }class M…

SIM Jacker攻击分析

简介: 2019年9月12日,AdaptiveMobile Security公布了一种针对SIM卡ST Browser的远程攻击方式:Simjacker。攻击者使用普通手机发送特殊构造的短信即可远程定位目标,危害较大 。sim卡的使用在手机上的使用非常普遍,所以…

Python 操作 Elasticsearch 全指南:从连接到数据查询与处理

文章目录 Python 操作 Elasticsearch 全指南:从连接到数据查询与处理引言安装 elasticsearch-py连接到 Elasticsearch创建索引插入数据查询数据1. 简单查询2. 布尔查询 更新文档删除文档和索引删除文档删除索引 批量插入数据处理分页结果总结 Python 操作 Elasticse…

【linux】centos7 换阿里云源

相关文章 【linux】CentOS 的软件源(Repository)学习-CSDN博客 查看yum配置文件 yum的配置文件通常位于/etc/yum.repos.d/目录下。你可以使用以下命令查看这些文件: ls /etc/yum.repos.d/ # 或者 ll /etc/yum.repos.d/备份当前的yum配置文…

AI 写作(八)实战项目一:自动写作助手(8/10)

一、项目背景与需求分析 (一)写作需求的多样化 在互联网普及的今天,人们对写作的需求呈现出前所未有的多样化态势。无论是学术论文、新闻报道,还是社交媒体的动态更新、网络小说的创作,都离不开高质量的写作。以学术研…

微信小程序内嵌h5页面(uniapp写的),使用uni.openLocation无法打开页面问题

1.问题 微信小程序内嵌h5页面(uniapp写的),使用uni.openLocation打开地图页面后,点击该页面下方“到这里”按钮,显示无法打开。如下图: 3.解决方案 在内嵌h5中不使用uniapp的api打开地图,而在h5页面事件处理程序中去跳转新的小程序页面,在该新页面去使用微信小程序…

SpringCloud核心组件(五)

文章目录 Gateway一. 概述简介1. Gateway 是什么2. 什么是网关?3.Gateway 和 Nginx 两个网关的区别什么是流量入口? 4.Gateway 能干嘛5.gateway 三大核心概念6.运行方式 二. 入门案例a.创建gateway模块,在pom.xml中引入依赖b.创建启动类GatewayApplicat…

1+X应急响应(网络)系统备份:

系统备份: 系统备份概述: 备份种类: 灾难恢复等级划分: 执行一次备份: 创建备份计划: 恢复备份:

Python学习26天

集合 # 定义集合 num {1, 2, 3, 4, 5} print(f"num:{num}\nnum数据类型为:{type(num)}") # 求集合中元素个数 print(f"num中元素个数为:{len(num)}") # 增加集合中的元素 num.add(6) print(num) # {1,2,3,4,5,6} # 删除…

git撤销、回退某个commit的修改

文章目录 撤销某个特定的commit方法 1:使用 git revert方法 2:使用 git rebase -i方法 3:使用 git reset 撤销某个特定的commit 如果你要撤销某个很早之前的 commit,比如 7461f745cfd58496554bd672d52efa8b1ccf0b42,可…

《译文》2024年11月数维杯国际大学生数学建模挑战赛题目

# 赛题正式发布 2024年第十届数维杯国际大学生数学建模挑战赛顺利开赛,竞赛开始时间为北京时间2024年11月15日09:00至北京时间2024年11月19日09:00,共计4天,竞赛题目正式发布,快来一起围观,你认为今年的哪个题目更具有…

LabVIEW 使用 Snippet

在 LabVIEW 中,Snippet(代码片段) 是一个非常有用的功能,它允许你将 一小段可重用的代码 保存为一个 图形化的代码片段,并能够在不同的 VI 中通过拖放来使用。 什么是 Snippet? Snippet 就是 LabVIEW 中的…

【苍穹外卖】学习日志-day1

目录 nginx 反向代理介绍 nginx 的优势 提高访问速度 负载均衡 保证后端服务安全 高并发静态资源 Swagger 生成 API 文档 Swagger 的使用方式 导入knife4j的maven坐标 在配置类中加入knife4j相关配置 设置静态资源映射 通过注解控制生成的接口文档 项目技术点 Token 模式 MD5 加…