一种用于深度点云分析的旋转不变框架
计算机视觉与模式识别
2021-07-06 v2
摘要
近来，许多深度神经网络被设计用于处理3D点云，但一个常见缺陷是未确保旋转不变性，导致对任意朝向的泛化能力较差。本文引入一种新的低级纯旋转不变表示，以替代常用3D笛卡尔坐标作为网络输入。同时，我们提出一种网络架构，将这些表示嵌入为特征，编码点与其邻点之间的局部关系以及全局形状结构。为缓解旋转不变表示引起的不可避免的全局信息损失，我们进一步引入区域关系卷积以编码局部与非局部信息。我们在多个点云分析任务上评估了我们的方法，包括形状分类、部件分割与形状检索。实验结果表明，与最先进（state-of-the-art, SOTA）方法相比，我们的方法在任意朝向的输入上取得了一致且最佳的性能。
引用
@article{arxiv.2003.07238,
title = {A Rotation-Invariant Framework for Deep Point Cloud Analysis},
author = {Xianzhi Li and Ruihui Li and Guangyong Chen and Chi-Wing Fu and Daniel Cohen-Or and Pheng-Ann Heng},
journal= {arXiv preprint arXiv:2003.07238},
year = {2021}
}