Core Concepts
Ein Graph-Neuronalnetzwerk zur teilweisen Ausrichtung von 3D-Szenegraphen, das semantische und geometrische Merkmale fusioniert, um die Genauigkeit der Ausrichtung zu erhöhen und die Leistung nachgelagerter Aufgaben wie Punktwolkenregistrierung zu verbessern.
Abstract
Der Artikel stellt SG-PGM, ein Graph-Neuronalnetzwerk für das teilweise Matching von 3D-Szenegraphen, vor.
Zunächst wird das Problem der 3D-Szenegraph-Ausrichtung als teilweises Graph-Matching definiert. Das Netzwerk kombiniert die semantischen Merkmale des Szenegraphen mit den geometrischen Merkmalen der Punktwolke, um eine genauere Zuordnung der Knoten zu erzielen. Dazu wird ein neuartiges "Point to Scene Graph Fusion"-Modul entwickelt.
Um das teilweise Matching zu ermöglichen, wird eine differenzierbare Top-k-Methode verwendet, um die wahrscheinlichsten Zuordnungspaare auszuwählen. Außerdem wird ein "Superpoint Matching Rescoring"-Verfahren vorgestellt, das die semantischen Informationen aus der Szenegraph-Ausrichtung nutzt, um die Punktzuordnung bei der Punktwolkenregistrierung zu verbessern.
Die Experimente zeigen, dass der Ansatz die Genauigkeit der Szenegraph-Ausrichtung um 10-20% im Vergleich zum Stand der Technik verbessert, insbesondere in Szenarien mit geringer Überlappung oder zufälliger Transformation. Auch bei nachgelagerten Aufgaben wie Punktwolkenregistrierung und -mosaik erzielt die Methode bessere Ergebnisse.
Stats
Die Ausrichtungsgenauigkeit wird um 10-20% im Vergleich zum Stand der Technik verbessert.
Die Rotationsgenauigkeit bei der Punktwolkenregistrierung wird um 50% und die Translationsgenauigkeit um 24% im Vergleich zum Stand der Technik verbessert.
Quotes
"Ein Graph-Neuronalnetzwerk (SG-PGM) für das teilweise Graph-Matching zur Lösung der 3D-Szenegraph-Ausrichtung."
"Das Point to Scene Graph Fusion-Modul und die weiche Top-k-Methode zur Steigerung der Ausrichtungsgenauigkeit."
"Das Superpoint Matching Rescoring-Verfahren zur Führung der Punktzuordnung mit Ergebnissen der Szenegraph-Ausrichtung."