AEGIS-Net: Attention-guided Multi-Level Feature Aggregation for Indoor Place Recognition

我们提出了AEGIS-Net，一种新颖的室内地点识别模型，它接收RGB点云并通过汇集低级颜色、几何特征和高级隐含语义特征来生成全局地点描述符。但是，与其说是简单的特征串联，我们采用了自注意力模块来选择最重要的局部特征，从而最好地描述室内地点。我们的AEGIS-Net由一个语义编码器、一个语义解码器和一个注意力引导的特征嵌入组成。该模型通过两个阶段的训练过程进行训练，第一阶段专注于辅助语义分割任务，第二阶段专注于地点识别任务。我们在ScanNetPR数据集上评估了我们的AEGIS-Net，并将其性能与基于预深度学习特征的方法和五种最先进的基于深度学习的方法进行了比较。我们的AEGIS-Net表现出色，胜过了所有六种方法。

AEGIS-Net旨在解决室内场所识别的问题，通过聚合低级别的颜色、几何特征和高级别的隐式语义特征来生成全局场所描述符。

论文提出了AEGIS-Net，使用自注意力模块来选择最重要的本地特征，以最好地描述室内场所。

AEGIS-Net由语义编码器、语义解码器和注意力引导的特征嵌入组成，使用两阶段过程进行训练，评估了在ScanNetPR数据集上的性能，并与其他六种方法进行了比较。实验结果表明，AEGIS-Net表现出色，并且优于其他六种方法。

最近的相关研究包括：'Neural Point-Based Graphics'、'PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation'、'PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space'等。