刚体变换下鲁棒可靠的点云识别网络
计算机视觉与模式识别
2021-12-30 v2
摘要
点云识别是工业机器人与自动驾驶中的一项基本任务。近年来，若干点云处理模型取得了最先进的性能。然而，这些方法缺乏旋转鲁棒性，在随机旋转下性能严重退化，无法扩展到具有变化朝向的真实场景。为此，我们提出了一种名为基于自轮廓的变换（SCT）的方法，它可以灵活地集成到各种现有的点云识别模型中以抵抗任意旋转。SCT 通过引入轮廓感知变换（CAT）提供高效的旋转和平移不变性，该变换将点笛卡尔坐标线性变换为平移和旋转不变的表示。我们基于理论分析证明了 CAT 是一种旋转和平移不变变换。此外，提出了帧对齐模块，通过捕获轮廓并将基于自轮廓的帧变换为类内帧来增强判别性特征提取。大量实验结果表明，在合成与真实世界基准上，SCT 在任意旋转下的有效性和效率均优于最先进的方法。此外，鲁棒性和通用性评估表明，SCT 具有鲁棒性且适用于各种点云处理模型，这凸显了 SCT 在工业应用中的优越性。
引用
@article{arxiv.2009.06903,
title = {A Robust and Reliable Point Cloud Recognition Network Under Rigid Transformation},
author = {Dongrui Liu and Chuanchuan Chen and Changqing Xu and Qi Cai and Lei Chu and Fei Wen and Robert Caiming Qiu},
journal= {arXiv preprint arXiv:2009.06903},
year = {2021}
}
备注
13 pages, 11 figures