Reconnaissance de lieux basée sur des graphes sémantiques pour des nuages de points 3D

En raison de la difficulté à générer des descripteurs efficaces qui sont robustes aux occlusions et aux changements de points de vue, la reconnaissance de lieux pour les nuages de points 3D demeure un problème ouvert. Contrairement à la plupart des méthodes existantes qui se concentrent sur l'extraction de caractéristiques locales, globales et statistiques des nuages de points bruts, notre méthode vise le niveau sémantique qui peut être supérieur en termes de robustesse face aux changements environnementaux. Inspiré par la perspective humaine, qui reconnaît les scènes en identifiant des objets sémantiques et en capturant leurs relations, cet article présente une nouvelle approche basée sur des graphes sémantiques pour la reconnaissance de lieux. Tout d'abord, nous proposons une nouvelle représentation de graphe sémantique pour les scènes de nuages de points en préservant les informations sémantiques et topologiques du nuage de points brut. Ainsi, la reconnaissance de lieux est modélisée comme un problème d'appariement de graphes. Ensuite, nous concevons un réseau de similarité de graphes rapide et efficace pour calculer la similarité. Des évaluations exhaustives sur le jeu de données KITTI montrent que notre approche est robuste aux occlusions ainsi qu'aux changements de points de vue et surpasse les méthodes à la pointe de la technologie avec une large marge. Notre code est disponible à : https://github.com/kxhit/SGPR.