KDD-LOAM:基于联合学习的关键点检测器和描述符辅助 LiDAR 里程计和地图构建
原文中文,约400字,阅读约需1分钟。发表于: 。稀疏关键点匹配改善了点云配准的效率和稳健性。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紧密耦合的关键点检测器和描述子 (TCKDD),并通过自监督学习实现描述子的全面自适应及关键点检测器的优化。在室内和室外数据集上的大量实验证明,TCKDD 在点云配准中取得了最先进的性能。此外,我们设计了一个关键点检测器和辅助 LiDAR 里程计与建图框架...
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,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。实验证明该方法在点云配准中表现最佳,并设计了一个关键点检测器和辅助 LiDAR 里程计与建图框架,在KITTI数据集上表现有竞争力。