M2DP
M2DP 先以質心平移並用 PCA 主軸對齊點雲，再將點雲投影到 4 個方位角乘 16 個仰角共 64 個 2D 平面；每個平面以 8 個同心圓乘 16 個扇區計算點數，組成 64×128 的簽章矩陣，最後以奇異值分解取第一左、右奇異向量，得到 192 維全域描述子，用於光達迴圈偵測。作者在 KITTI00 上報告其描述子計算時間為各 3D 描述子中最短；在 KITTI、Freiburg Campus 與 Ford Campus 的多數序列中，其 100% 精確率下的召回率最高，但在 KITTI00 與 KITTI05 上 SHOT 略高，視覺描述子 GIST 更高。
本頁內容
M2DP builds a global descriptor from multi-plane projection density signatures compressed by SVD and applies it to loop closure detection.
技術屬性
欄位內容為文獻擷取紀錄的原文用語（英文），以原文為據；「未查證」表示本研究尚未讀到該資訊，不代表該方法不具備此能力。
| 感測輸入 | 3D LiDAR |
|---|---|
| 原文測試平台 | KITTI sequences 00, 05, 06, 07 (platform not described in the paper)、Freiburg Campus dataset (77 clouds; platform not described in the paper)、Ford Campus dataset (3817 clouds; platform not described in the paper) |
| 狀態估計 | 不適用 |
| 資料關聯 | centroid-shifted, PCA-aligned cloud projected onto p x q = 4 x 16 planes (azimuth stride pi/p, elevation stride pi/(2q)); each plane split into l = 8 concentric rings (radii r, 4r, ..., l^2 r) x t = 16 sectors holding point counts; 64 x 128 signature matrix reduced by SVD to the first left and right singular vectors (192-D); loop decided by thresholding the nearest-neighbour descriptor distance with +/-50 frames excluded |
| 時間表示 | 不適用 |
| 去畸變 | 原文未報告 |
| 迴圈閉合 | descriptor used for loop closure detection |
| 全域最佳化 | none (component) |
| 地圖表示 | 不適用 |
| 先驗資訊 | none |
| 可輸出幾何 | 不適用 |
| 計算需求 | laptop with Intel quad-core 2.50 GHz CPU and 8 GB RAM; M2DP implemented in Matlab and C; 0.3598 s per cloud to compute the descriptor and 0.0057 s for nearest-neighbour search on KITTI00 with raw clouds (Table II) |
使用設備
原文使用的感測器、運算硬體與載具（equipment）。型號保留原文寫法，連結到設備頁中同一型號的歸併名稱；角色依原文用途分為方法輸入、資料集感測器、執行運算平台、參考或真值量測（reference or ground truth）與比較對象設備。
| 類別 | 型號（原文寫法） | 角色 | 資料集 | 原文規格 | 出處 |
|---|---|---|---|---|---|
| LiDAR | 原文未報告 (KITTI lidar sequences 00, 05, 06, 07) | 資料集感測器 | KITTI | 原文未報告 | (He et al., 2016, Sec. IV-A) |
| LiDAR | 原文未報告 (Freiburg Campus lidar data, 77 point clouds) | 資料集感測器 | Freiburg Campus | 原文未報告 | (He et al., 2016, Sec. IV-A) |
| LiDAR | 原文未報告 (Ford Campus lidar data, 3817 point clouds) | 資料集感測器 | Ford Campus | 原文未報告 | (He et al., 2016, Sec. IV-A) |
| 相機 | 原文未報告 (dataset images used for the GIST visual baseline) | 資料集感測器 | KITTI; Ford Campus | 原文未報告 | (He et al., 2016, Sec. IV-A) |
| 運算硬體 | laptop, Intel quad-core 2.50 GHz CPU, 8 GB RAM | 執行運算平台 | 未標示 | quad-core 2.50 GHz, 8 GB RAM | (He et al., 2016, Sec. IV) |
作者報告的優勢與限制
優勢
- Fastest descriptor computation among the compared 3D descriptors on KITTI00: 0.3598 s per cloud versus 0.4943 to 1.5279 s (Table II)
- Highest recall at 100% precision among 3D descriptors on KITTI06 (0.899), KITTI07 (0.510), Freiburg Campus (1) and Ford Campus (0.838); on KITTI00 and KITTI05 SHOT, computed as a global descriptor about the centroid, was higher (0.898 vs 0.896; 0.816 vs 0.764) and visual GIST highest (Table I)
- Robust to downsampling: recall at 100% precision 0.996, 0.996, 0.949 and 0.718 at grid sizes res x 10, 20, 50, 100 on KITTI06, while SHOT fell from 0.945 to 0.087 (Table III)
- Authors report robustness to added uniform noise on KITTI07 (Fig. 5, qualitative reading only)
限制
- Rotation invariance relies on PCA alignment that assumes each cloud has two dominant directions (Sec. III-B)
- (inference) Parameters l, t, p, q were optimised on KITTI07, which is also one of the evaluation sequences (Sec. IV-A)
- Found in follow-up work: Scan Context authors report M2DP failed to detect reverse loops, e.g. KITTI 08 (Kim & Kim, 2018 Sec. IV-B); Scan Context++ likewise reports failure on KITTI 08 under severe rotational variance (Kim et al., 2022b Sec. VII-B1)
- Found in follow-up work: STD authors report M2DP performing poorly on their Livox solid-state datasets under their setup (Yuan et al., 2023b Sec. IV-B1)
營建工程相關證據
原文未報告
原文驗證環境：公開基準、跨場域
報告的性能數據
以下是原文作者報告的性能數值（author-reported results），不是本研究重新量測的結果。每張圖只並列同一個比較組（comparison group，同一張表、同一組實驗設定）內的方法；不同比較組之間的數值不可直接比較，也不構成排名。
本方法共出現在 6 個比較組，合計 21 筆紀錄。以下列出本方法紀錄最多的 4 組，其餘 2 組列在最後，並連到性能比較頁。
He et al., 2016 · Table I 本方法 6 筆
指標recall at 100% precision
表格設定（擷取紀錄原文）：Recall at 100% precision, raw clouds, nearest-neighbour matching, loop if GT distance < 10 m, +/-50 frames excluded (+/-5 Freiburg) (He et al., 2016, Table I)
recall at 100% precision，KITTI · 00
只並列這張表在相同設定下報告的方法；以「本方法：」開頭者為本頁方法。失敗、未執行與未報告以標記呈現，不是 0。
按 Tab 進入圖表後，用上下方向鍵逐一瀏覽各類別，Esc 關閉提示框；也可開啟表格檢視閱讀全部數值。
這些是 He et al., 2016 在此表設定下報告的數值（author-reported results），只能在同一個比較組內對照，不代表方法在其他資料或設定下的表現。
資料來源作者報告值(He et al., 2016, Table I)
| 方法（原文寫法） | 報告值 | 出處 |
|---|---|---|
| Spin Image | 0.271 ratio | (He et al., 2016, Table I) |
| SHOT | 0.898 ratio | (He et al., 2016, Table I) |
| VFH | 0 ratio | (He et al., 2016, Table I) |
| ESF | 0.174 ratio | (He et al., 2016, Table I) |
| Z-projection | 0.456 ratio | (He et al., 2016, Table I) |
| M2DP本方法原文提出 | 0.896 ratio | (He et al., 2016, Table I) |
| GIST | 0.957 ratio | (He et al., 2016, Table I) |
He et al., 2016 · Table III 本方法 4 筆
指標recall at 100% precision
表格設定（擷取紀錄原文）：Recall at 100% precision on KITTI06 after grid downsampling with grid size res x k (res = mean nearest-neighbour distance in first frame) (He et al., 2016, Table III)
recall at 100% precision，KITTI · 06 (grid size res x10)
只並列這張表在相同設定下報告的方法；以「本方法：」開頭者為本頁方法。失敗、未執行與未報告以標記呈現，不是 0。
按 Tab 進入圖表後，用上下方向鍵逐一瀏覽各類別，Esc 關閉提示框；也可開啟表格檢視閱讀全部數值。
這些是 He et al., 2016 在此表設定下報告的數值（author-reported results），只能在同一個比較組內對照，不代表方法在其他資料或設定下的表現。
資料來源作者報告值(He et al., 2016, Table III)
| 方法（原文寫法） | 報告值 | 出處 |
|---|---|---|
| Spin Image | 0.154 ratio | (He et al., 2016, Table III) |
| SHOT | 0.945 ratio | (He et al., 2016, Table III) |
| VFH | 0 ratio | (He et al., 2016, Table III) |
| ESF | 0.071 ratio | (He et al., 2016, Table III) |
| Z-projection | 0.007 ratio | (He et al., 2016, Table III) |
| M2DP本方法原文提出 | 0.996 ratio | (He et al., 2016, Table III) |
Chen et al., 2020 · Table II 本方法 4 筆
表格設定（擷取紀錄原文）：Loop closure detection vs state of the art; best candidate per query, 100 latest scans excluded, overlap threshold 30%; KITTI uses all cues, Ford uses geometry only (Chen et al., 2020, Table II)
AUC (precision-recall)，KITTI odometry · 00
只並列這張表在相同設定下報告的方法；以「本方法：」開頭者為本頁方法。失敗、未執行與未報告以標記呈現，不是 0。
- 不適用
按 Tab 進入圖表後，用上下方向鍵逐一瀏覽各類別，Esc 關閉提示框；也可開啟表格檢視閱讀全部數值。
這些是 Chen et al., 2020 在此表設定下報告的數值（author-reported results），只能在同一個比較組內對照，不代表方法在其他資料或設定下的表現。
資料來源作者報告值(Chen et al., 2020, Table II)
| 方法（原文寫法） | 報告值 | 出處 |
|---|---|---|
| Histogram | 0.83 ratio | (Chen et al., 2020, Table II) |
| M2DP本方法 | 0.83 ratio | (Chen et al., 2020, Table II) |
| SuMa | 無數值不適用註記（擷取紀錄）：不適用 (SuMa yields a single precision-recall point) | (Chen et al., 2020, Table II) |
| Ours (AllChannel, TwoHeads)原文提出 | 0.87 ratio | (Chen et al., 2020, Table II) |
Kim et al., 2022b · Table V 本方法 3 筆
資料集與序列原文未報告
表格設定（擷取紀錄原文）：Time cost per query in ms; ours and M2DP measured in Matlab, SegMatch copied from its paper, PointNetVLAD on GPU (Kim et al., 2022b, Table V)
Description time，原文未報告
只並列這張表在相同設定下報告的方法；以「本方法：」開頭者為本頁方法。失敗、未執行與未報告以標記呈現，不是 0。
按 Tab 進入圖表後，用上下方向鍵逐一瀏覽各類別，Esc 關閉提示框；也可開啟表格檢視閱讀全部數值。
這些是 Kim et al., 2022b 在此表設定下報告的數值（author-reported results），只能在同一個比較組內對照，不代表方法在其他資料或設定下的表現。
資料來源作者報告值(Kim et al., 2022b, Table V)
| 方法（原文寫法） | 報告值 | 出處 |
|---|---|---|
| Ours (PC)原文提出硬體：Matlab, CPU (machine not stated for Table V) | 1.6 ms | (Kim et al., 2022b, Table V) |
| Ours (A-PC)原文提出硬體：Matlab, CPU (machine not stated for Table V) | 4.8 ms | (Kim et al., 2022b, Table V) |
| M2DP本方法硬體：Matlab, CPU (machine not stated for Table V) | 4.3 ms | (Kim et al., 2022b, Table V) |
| SegMatch硬體：values copied from the SegMatch paper | 430.2 ms | (Kim et al., 2022b, Table V) |
| PointNetVLAD硬體：GPU (GTX 1080 Ti) | 33.3 ms | (Kim et al., 2022b, Table V) |
其他比較組
來源
He et al., 2016
（2016）M2DP: A novel 3D point cloud descriptor and its application in loop closure detection2016 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), pp. 231-237
同儕審查已出版已讀全文近十年查證後修正