Robust point-cloud registration based on dense point matching and probabilistic modeling

• Ano de defesa: 2022
• Autor(a) principal: Netto, Gustavo Marques
• Orientador(a): Oliveira Neto, Manuel Menezes de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Palavras-chave em Português: Aprendizado profundo distribuído; Rede neural artificial; Registro de nuvens de pontos
• Palavras-chave em Inglês: Point-cloud registration; Rigid registration; Non-rigid registration; Dense point matching
• Link de acesso: http://hdl.handle.net/10183/252056

Esta dissertação apresenta duas técnicas para o registro de nuvens de pontos 3D que são robustas a ruído e a nuvens de pontos parciais. Nossas técnicas abordam o registro rígido e o não rígido e exploram as vantagens do uso de aprendizado profundo para a estimativa de correspondência densa entre pontos. Para ambos os tipos de registro, nós propomos uma única rede neural. Nossa rede usa um mecanismo de atenção recentemente proposto e considera explicitamente a falta de correspondências entre os pontos, o que é crítico para a sua performance. Além disso, nós aplicamos avanços recentes em modelagem probabilística para refinar as correspondências criadas por nossa rede durante o registro não rígido. Tal combinação de aprendizado profundo e modelagem probabilística produz sensibilidade a contextos e também gera uma deformação coerente dos pontos, o que torna nossa abordagem resiliente a ruído e a perda de informação. Nós demonstramos a efetividade das nossas técnicas ao compará-las com métodos no estado da arte. Nossas comparações usam bases de dados com ruído e nuvens de pontos parciais ou com amostragem irregular. Os experimentos mostram que em geral, nós obtemos resultados superiores. Por exemplo, nossas abordagens alcançam um erro até 45% menor que outras técnicas no registro não rígido de nuvens de pontos parciais, ou até 49% menor no registro rígido. Nós também discutimos alguns aspectos extras da nossa técnica como a robustez a níveis diferentes de ruído e a números diferentes de amostras nas nuvens de pontos. Por último, nós abordamos a falta de bases de dados que forneçam o registro correto entre as nuvens de pontos. Essas bases são críticas no treinamento supervisionado de modelos de registro não rígido. Para resolver essa escassez, nós propomos uma estratégia de autoaprendizado baseada em deformações randômicas.