SALSA: Swift Adaptive Lightweight Self-Attention for Enhanced LiDAR Place Recognition

大规模的LiDAR地图制作和定位利用场景识别技术来减轻里程漂移，确保地图的准确性。这些技术利用LiDAR点云的场景表示来识别数据库中已经访问过的地点。局部描述符被分配给点云中的每个点，被聚合成点云的场景表示。这些描述符也被用于基于几何适配度评分重新排列检索到的点云。我们提出了SALSA，一种新颖、轻量级、高效的LiDAR场景识别框架。它由一个Sphereformer骨干网络组成，使用径向窗口注意力来实现对稀疏远距离点的信息聚合，自适应自注意力层将局部描述符汇集成令牌，多层感知机Mixer层用于聚合令牌生成场景描述符。该框架在各种LiDAR场景识别数据集上的检索和度量定位方面均优于现有方法，同时能够实时运行。

该论文旨在解决大规模LiDAR地图制图和定位中的地点识别问题，以确保准确的地图制作。

该论文提出了一种新的、轻量级、高效的LiDAR地点识别框架SALSA，采用Sphereformer骨干网络、自适应自注意力层和多层感知机混合器层来生成场景描述符。

该论文在各种LiDAR地点识别数据集上的检索和度量定位方面均优于现有方法，而且在实时操作中表现出色。

最近的相关研究包括：1. 'PointNetVLAD: Deep Point Cloud Based Retrieval for Large-Scale Place Recognition' 2. 'A Survey of Place Recognition Techniques'.