Loop-closure detection by LiDAR scan re-identification

Jukka Peltomäki, Xingyang Ni, Jussi Puura, Joni Kristian Kämäräinen, Heikki Huttunen

Tutkimustuotos: KonferenssiartikkeliScientificvertaisarvioitu

Abstrakti

In this work, loop-closure detection from LiDAR scans is defined as an image re-identification problem. Re-identification is performed by computing Euclidean distances of a query scan to a gallery set of previous scans. The distances are computed in a feature embedding space where the scans are mapped by a convolutional neural network (CNN). The network is trained using the triplet loss training strategy. In our experiments we compare different backbone networks, variants of the triplet loss and generic and LiDAR specific data augmentation techniques. With a realistic indoor dataset the best architecture obtains the mean average precision (mAP) above 0.94.

AlkuperäiskieliEnglanti
OtsikkoProceedings of ICPR 2020 - 25th International Conference on Pattern Recognition
KustantajaIEEE
Sivut9107-9114
Sivumäärä8
ISBN (elektroninen)978-1-7281-8808-9
DOI - pysyväislinkit
TilaJulkaistu - 2021
OKM-julkaisutyyppiA4 Artikkeli konferenssijulkaisussa
Tapahtuma25th International Conference on Pattern Recognition, ICPR 2020 - Virtual, Milan, Italia
Kesto: 10 tammik. 202115 tammik. 2021

Julkaisusarja

NimiProceedings - International Conference on Pattern Recognition
ISSN (painettu)1051-4651

Conference

Conference25th International Conference on Pattern Recognition, ICPR 2020
Maa/AlueItalia
KaupunkiVirtual, Milan
Ajanjakso10/01/2115/01/21

Julkaisufoorumi-taso

  • Jufo-taso 1

!!ASJC Scopus subject areas

  • Computer Vision and Pattern Recognition

Sormenjälki

Sukella tutkimusaiheisiin 'Loop-closure detection by LiDAR scan re-identification'. Ne muodostavat yhdessä ainutlaatuisen sormenjäljen.

Siteeraa tätä