La plupart des méthodes de reconnaissance de lieu basées sur des nuages de points existantes mettent l'accent sur l'extraction de caractéristiques à partir de points individuels ou de régions locales, tout en négligeant largement les informations relationnelles intégrées dans les voisinages locaux. En conséquence, elles échouent souvent à capturer des motifs relationnels discriminants, entraînant une réduction de la précision de reconnaissance dans les scènes contenant des structures géométriquement similaires. Dans cet article, nous proposons un nouveau réseau conscient des relations (RA-Net) pour la reconnaissance de lieu. RA-Net exploite conjointement les indices relationnels locaux et les informations contextuelles globales pour apprendre des représentations discriminantes de scènes pour une reconnaissance de lieu basée sur des nuages de points à grande échelle. Tout d'abord, un module d'extraction de caractéristiques de relation spatiale (SRFE) est proposé pour exploiter les informations relationnelles intégrées dans les voisinages locaux. En apprenant des poids sensibles aux relations et en agrégeant de manière adaptative les informations des voisinages, le module proposé capture des motifs relationnels discriminants en considérant conjointement les écarts de caractéristiques et les décalages spatiaux. De plus, un module d'extraction de caractéristiques globales (GFE) est introduit pour agréger les statistiques globales des caractéristiques et les intégrer avec les représentations ponctuelles, permettant aux caractéristiques locales d'être renforcées par des indices contextuels globaux. Les résultats expérimentaux sur quatre ensembles de données de référence démontrent que RA-Net peut générer des descripteurs globaux plus discriminants et atteindre des performances prometteuses. Il présente de fortes capacités de généralisation pour des scènes inédites.

Conscient des relations;Nuage de points;Reconnaissance de lieu;Apprentissage profond