D3Former: 通过显著性引导的 Transformer 共同学习可重复的稠密探测器和特征增强描述符
原文中文,约400字,阅读约需1分钟。发表于: 。通过引入一种名为 D3Former 的基于显著性引导的变换器模型,联合学习可重复的稠密检测器和增强特征的描述符,实现了准确匹配点云问题的关键步骤,实验证明该方法在室内和室外基准测试中始终优于最先进的点云匹配方法。
该研究提出了一种基于多任务全卷积网络和概率检测损失的关键点检测器和描述子(TCKDD),通过自监督学习实现描述子的自适应和关键点检测器的优化。实验证明TCKDD在点云配准中取得了最先进的性能,并设计了一个辅助LiDAR里程计与建图框架(KDD-LOAM),在KITTI数据集上表现出有竞争力的性能。