Die meisten bestehenden ortsbezogenen Erkennungsmethoden basierend auf Punktwolken legen den Schwerpunkt auf die Merkmalextraktion aus einzelnen Punkten oder lokalen Regionen, während sie die in lokalen Nachbarschaften eingebetteten Beziehungsinformationen weitgehend vernachlässigen. Infolgedessen gelingt es ihnen oft nicht, diskriminative Beziehungsstrukturen zu erfassen, was zu einer verringerten Erkennungsgenauigkeit in Szenen mit geometrisch ähnlichen Strukturen führt. In diesem Papier schlagen wir ein neuartiges relation-bewusstes Netzwerk (RA-Net) für die Orts­erkennung vor. RA-Net nutzt gemeinsam lokale Beziehungsinformationen und globale Kontextinformationen, um diskriminative Szenenrepräsentationen für die großflächige Ortserkennung basierend auf Punktwolken zu erlernen. Zuerst wird ein Modul zur Extraktion räumlicher Beziehungsmerkmale (SRFE) vorgeschlagen, um die in lokalen Nachbarschaften eingebetteten Beziehungsinformationen zu nutzen. Durch das Erlernen relation-bewusster Gewichte und das adaptive Aggregieren von Nachbarschaftsinformationen erfasst das vorgeschlagene Modul diskriminative Beziehungsstrukturen, indem es Merkmalunterschiede und räumliche Verschiebungen gemeinsam berücksichtigt. Darüber hinaus wird ein Modul zur globalen Merkmalsextraktion (GFE) eingeführt, das globale Merkmalsstatistiken aggregiert und mit punktweisen Repräsentationen integriert, wodurch lokale Merkmale mit globalen Kontextinformationen verbessert werden können. Experimentelle Ergebnisse auf vier Benchmark-Datensätzen zeigen, dass RA-Net diskriminativere globale Deskriptoren erzeugen und vielversprechende Leistungen erzielen kann. Es zeigt starke Generalisierungsfähigkeiten für unbekannte Szenen.

Relation-bewusst;Punktwolke;Orts­erkennung;Tiefes Lernen