【技术实现步骤摘要】
一种基于遮蔽重建辅助训练网络的点云匹配方法
[0001]本专利技术属于三维计算机视觉
,具体涉及一种基于遮蔽重建辅助训练网络的点云匹配方法
。
技术介绍
[0002]点云配准是计算机视觉和机器人领域中的一个基础问题,旨在计算最优的点云配准变换
。
近年来,基于学习的方法在三维点表征方面取得了重大进展,其利用神经网络分别提取点特征并建立点对应关系
。
然而,点云之间缺乏交互,难以对部分可见点云进行准确配准
。
受转换器的最新进展启发,基于转换器的方法将转换器用于信息交换和上下文信息编码,展现了在配准准确性和鲁棒性方面的显著改进
。
然而,低重叠点云对共同结构的共享特征较少,导致识别共同结构时存在歧义,从而降低了这些方法的性能
。
[0003]最近提出的方法试图通过引入专门设计的编码方法来测量成对一致性,从而能够更好地识别共同结构和生成可靠的对应关系
。
这些方法在低重叠场景中表现出了很好的效果
。
然而,这些修改可能在通用性方面存在限制
。
此外,这些方法需要额外的编码计算,带来了额外的推断时间成本
。
技术实现思路
[0004]有鉴于此,本专利技术的目的是提供一种基于遮蔽重建辅助训练网络的点云匹配方法,可以实现高效和精确的对齐
。
[0005]一种基于遮蔽重建辅助训练网络的点云匹配方法,包括训练阶段和配准阶段;
[0006]在训练 ...
【技术保护点】
【技术特征摘要】
1.
一种基于遮蔽重建辅助训练网络的点云匹配方法,其特征在于,包括训练阶段和配准阶段;在训练阶段,针对给定源点云和目标点云主干网络采用核点卷积网络获取超级点及其特征随后,采用一个转换器编码器学习上下文信息,提取特征在遮蔽重建辅助训练网络中,基于特征重建完整的点云;同时,在匹配网络,基于特征生成对应的点云并预测叠加分数最后,根据预测的对应关系和叠加分数估计最优变换对主干网络
、
匹配网络以及遮蔽重建辅助训练网络构成的联合网络模型进行训练完成后,在配准阶段,将待配准的两个点云输入到主干网络,提取特征后,送入匹配网络,得到位姿变换所述遮蔽重建辅助训练网络包括补丁生成模块
、
遮蔽重建解码器
、
预测头以及损失函数模块;所述点补丁生成模块对于点云首先使用最远点采样将其采样为
g
个中心点然后,采用最近邻算法为每个中心点选择中
k
个最近的点,以此构建
g
个点块生成过程可以表示为:对于点云构建
g
个点块个点块设所述遮蔽重建解码器由
L
d
层组成,每层包括自注意力子层和前馈子层;解码器的输入为完整的标记集和这些标记为编码特征集合和以及掩码标记集合和的并集;其中,每个掩码标记是一个共享的
、
可学习的向量,代表一个待预测的点补丁;在每个遮蔽重建解码器层中,通过正弦位置编码
PE
获得标记的位置编码并通过直接相加添加到标记中,得到标记位置编码包含编码特征的位置编码以及掩码标记的位置编码其中编码特征的位置编码是直接通过该点云的中心点生成的,掩码标记的位置编码则是使用另一个点云的变换中心点生成的:另一个点云的变换中心点生成的:其中,和分别表示从
Y
到
X
和从
X
到
Y
的真值变换;遮蔽重建解码器整体流程如下所示:
所述预测头用于在坐标空间内重构另一个对齐点云的每个点补丁;它由一个双层感知器组成;预测头首先从解码后的标记获取掩码标记解码后的和并将其投影到向量中,输出通道数等于补丁中坐标的总数;然后,这些向量以相互的方式重新构造成预测的点补丁测的点补丁测的点补丁
Reshape
表示将矩阵形状进行变换,
MLP
表示多层感知机,由线性层和激活函数组成;所述损失函数模块用于构建训练主干网络和遮蔽重建辅助训练网络的损失函数,具体为:每个掩码标记负责预测对齐的另一个点云中相应的点补丁,由其位置编码指定;给定真值点补丁和以及从和获得的预测点补丁和重构损失使用
l2Chamfer
距离表示;其中定义为:其中,表示集合的基数,...
【专利技术属性】
技术研发人员:王美玲,陈光彦,岳裕丰,袁粒,
申请(专利权)人:北京理工大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。