鲁棒几何特征学习 & 邻域归一化

从3D模型中提取几何特征是3D配准、跟踪和场景流估计等应用中常见的第一步。许多手工制作和基于学习的方法旨在为部分重叠的3D模型产生一致和可区分的几何特征。这些方法在重叠的三维物体的点密度和尺度相似的情况下效果良好，但在全局尺度未知和场景重叠的情况下独立获取三维数据的应用中存在困难。不幸的是，这种分辨率不匹配的实例在实践中很常见，例如，当对准来自多个传感器的数据时。在这项工作中，我们引入了一种新的归一化技术，批邻域归一化，旨在提高对可能发生在不同点密度的样本中的局部特征分布的均值-std变化的鲁棒性。我们通过经验证明，所提出的归一化方法的性能优于室内和室外环境中的比较方法，以及临床数据集，在标准和特别是分辨率不匹配设置下的共同点配准基准。

贡献:

1)我们提出了一种新的归一化技术，批邻域归一化(B-NHN)，旨在提高网络对任务无关的局部特征分布的平均变化的鲁棒性，其中我们试图处理的分辨率不匹配是可能导致这种情况的特定数据变化。这种技术是通用的，可以应用于任何具有局部邻居卷积概念的神经网络体系结构。具体来说，在用于几何描述符基准测试的3DMatch[54]和KITTI odometry[18]数据集上，我们表明，我们的方法在标准基准测试中表现优于最先进的方法，并且在创建的分辨率不匹配的方法上表现优于以前的方法。

2)此外，我们提供了一个由CT扫描构建的鼻腔数据集，以基准几何特征提取方法在医学视频-CT配准任务中的性能，其中分辨率不匹配是常见的。

 

结论