Point cloud registration is a central function in many utilizations such as localization, mapping, tracking, and reconstruction. Successful registration relies on the extraction of powerful and discriminatory geometric features. Although existing learning-based methods require high computational power to process a large number of raw points at the same time, the computational power limitation is not an issue thanks to parallel GPU usage. This thesis introduces an efficient and economical extraction framework of Dense Features using a Graph Attention Network for point cloud registration and matching. The detector is responsible for finding high-confidence keypoints in large raw data sets. The descriptor takes these key- points combined with their neighbors to extract density-invariant features to prepare for the match. The Graph Attention Network uses an attention mechanism that enriches the relationships between point clouds. Finally, we treat this as an optimal transport problem and use the Sinkhorn algorithm to find positive and negative matches. We perform thorough tests on the KITTI dataset and evaluate the effectiveness of this approach. The results show that this method with efficient compact keypoint selection and delineation can achieve the best performance matching indices and achieve the highest success rate of 99.88% registration compared to with other modern approaches.
포인트 클라우드 등록은 현지화, 매핑, 추적 및 재구성과 같은 많은 활용에 쓰이는 핵심적인 기능이다. 성공적인 등록은 강력하고 차별적인 기하학적 특징의 추출에 의존한다. 기존의 학습 기반 방법은 많은 원시 포인트를 동시에 처리하기 위해 높은 계산 능력이 필요하지만, 병렬 GPU 사용 덕분에 계산 전력 제한은 문제가 되지 않는다. 이 논문은 포인트 클라우드 등록 및 매칭을 위해 그래프 어텐션 네트워크를 사용하여 밀도가 높은 특징을 효율적이고 경제적인 방법으로 추출하는 프레임워크를 소개한다. 디텍터는 대규모 원시 데이터 세트에서 신뢰도가 높은 키포인트를 찾는 역할을 한다. 디스크립터는 이러한 키포인트를 주변 포인트와 결합하여 밀도에 불변하는 특징을 추출하여 일치시키도록 한다. 그래프 어텐션 네트워크는 포인트 클라우드 사이의 관계를 풍부하게 하는 어텐션 메커니즘을 사용한다. 마지막으로, 우리는 이것을 최적의 전송 문제로 취급하고 싱크혼 알고리즘을 사용하여 긍정적인 일치와 부정적인 일치를 찾는다. 우리는 KITTI 데이터 세트에 대한 철저한 테스트를 수행하고 이 접근 방식의 효과를 평가한다. 결과는 효율적이고 간소화된 키포인트 선택 및 설명을 통해 이 방법이 다른 현대적 접근 방식과 비교해 최고의 성능 일치 지수를 달성하고 99.88%의 등록 성공률을 달성할 수 있음을 보여준다.
