La mayoría de los métodos existentes de reconocimiento de lugares basados en nubes de puntos enfatizan la extracción de características de puntos individuales o regiones locales, mientras que en gran medida descuidan la información relacional incrustada dentro de los vecindarios locales. Como resultado, a menudo no logran capturar patrones relacionales discriminativos, lo que lleva a una reducción en la precisión del reconocimiento en escenas que contienen estructuras geométricamente similares. En este artículo, proponemos una nueva red consciente de las relaciones (RA-Net) para el reconocimiento de lugares. RA-Net explota conjuntamente las señales relacionales locales y la información contextual global para aprender representaciones discriminativas de escenas para el reconocimiento de lugares basado en nubes de puntos a gran escala. Primero, se propone un módulo de extracción de características de relación espacial (SRFE) para explotar la información relacional incrustada dentro de los vecindarios locales. Al aprender pesos conscientes de la relación y agregar de manera adaptativa la información del vecindario, el módulo propuesto captura patrones relacionales discriminativos al considerar conjuntamente las discrepancias de características y los desplazamientos espaciales. Además, se introduce un módulo de extracción de características globales (GFE) para agregar estadísticas globales de características e integrarlas con representaciones puntuales, permitiendo que las características locales se mejoren con señales contextuales globales. Los resultados experimentales en cuatro conjuntos de datos de referencia demuestran que RA-Net puede generar descriptores globales más discriminativos y lograr un rendimiento prometedor. Exhibe fuertes capacidades de generalización para escenas no vistas.

Conciencia de relaciones;Nube de puntos;Reconocimiento de lugares;Aprendizaje profundo