Большинство существующих методов распознавания мест на основе облаков точек сосредоточены на извлечении признаков из отдельных точек или локальных областей, при этом значительно игнорируется реляционная информация, заложенная в локальных соседствах. В результате они часто не способны захватить дискриминативные реляционные паттерны, что приводит к снижению точности распознавания в сценах с геометрически схожими структурами. В этой статье мы предлагаем новую сеть, учитывающую отношения (RA-Net), для распознавания мест. RA-Net совместно использует локальные реляционные подсказки и глобальную контекстную информацию для обучения дискриминативных представлений сцены для крупномасштабного распознавания мест на основе облаков точек. Во-первых, предложен модуль извлечения пространственных реляционных признаков (SRFE) для использования реляционной информации, заложенной в локальных соседствах. Обучаясь реляционно-ориентированным весам и адаптивно агрегируя информацию соседства, предложенный модуль захватывает дискриминативные реляционные паттерны, совместно учитывая различия признаков и пространственные смещения. Кроме того, введен модуль извлечения глобальных признаков (GFE) для агрегации глобальной статистики признаков и интеграции их с поочковыми представлениями, что позволяет усилить локальные признаки глобальными контекстными подсказками. Экспериментальные результаты на четырех эталонных наборах данных демонстрируют, что RA-Net может генерировать более дискриминативные глобальные дескрипторы и достигать многообещающих результатов. Она демонстрирует сильные способности к обобщению на невидимых сценах.

Учет отношений;Облако точек;Распознавание мест;Глубокое обучение