点云配准第7次课

输入数据：

voxel 体素

points

low-level feature(容易造成信息丢失)

所以常用points作为输入数据

好的特征描述子：

分辨性强对刚体变换不敏感紧凑（例如希望他的维度不要太高，例如32位或64位，有利于在下游匹配过程中加速匹配度提高效率，降低时间）对数据退化鲁棒（如噪声（例如室外激光雷达数据）、密度不均匀、遮挡、空洞等）

设计特征描述子所涉及的内容

训练和测试数据（如何获得监督信号）

设计特征提取网络（网络输入与网络架构）

设计损失函数

fi,fj表示特征函数，L表示损失，mp,mn分别是正负样本的两个参数，Iij=1说明xixj是正样本对，Iij=0,说明xi,xj是负样本对。 mn长设置为1.4，mp长设置危为0.1，加入有一个点fi,以fi为圆心画一个圆圈，希望正样本点尽可能放在圆圈内，希望负样本点大于该圆圈半径，即将尽可能远即大于1.4。

在triplet loss中同样也是希望正样本点距离尽可能近，负样本点距离尽可能远。 D(f,f+),表示到正样本点距离， D(f,f+)表示到负样本点距离。如果 D(f,f-)- D(f,f+)>m，说明 D(f,f-)和 D(f,f+)距离足够远， D(f,f-)- D(f,f+)<m,说明距离太近了，需要优化它。举例：如果 D(f,f+) =0.05， D(f,f+) =0.6，m=0.5,则L(f,f+,f_)=-0.05, 不需要优化它，而如果 D(f,f+) =0.3， D(f,f+) =0.6，m=0.5,则L(f,f+,f_)=-0.2，则需要继续优化。

对比损失考虑的是两个点之间的关系， triplet loss考虑的是三个样本点之间的关系。此处老师说relu函数进行处理，如果为负数，则经过relu 处理后，它的影响就不大了。在contrast loss 中，该函数要么取前面一项要么取后面一项。

该论文利用度量损失函数基于卷积网络的特征提取的方法。以前通过手工方式考虑特征描述子，例如方向量，距离等，现在通过网络训练特征描述子。

该论文前面讲的是什么？