ANTLER：面向非结构化变尺寸点云数据的贝叶斯非线性张量学习及建模器
计算机视觉与模式识别
2022-03-01 v1 机器学习
摘要
通过激光三角测量或光探测与测距（LiDAR）在各种环境中日益获取到非结构化且尺寸变化的的点云。基于非结构化点云预测标量响应是一类在广泛应用中出现的常见问题。现有文献依赖若干预处理步骤（如结构化子采样与特征提取）来分析点云数据。这些技术会导致量化伪影，且在预处理期间未考虑回归响应与点云之间的关系。因此，我们提出一种通用且整体的“贝叶斯非线性张量学习及建模器”（ANTLER）来建模非结构化、变尺寸点云数据与标量或多元响应之间的关系。所提出的 ANTLER 同时优化非线性张量降维与以 3D 点云为输入、标量或多元响应为输出的非线性回归模型。ANTLER 能够考虑 3D 点云数据的复杂数据表示、高维性以及不一致的尺寸。
引用
@article{arxiv.2202.13788,
title = {ANTLER: Bayesian Nonlinear Tensor Learning and Modeler for Unstructured, Varying-Size Point Cloud Data},
author = {Michael Biehler and Hao Yan and Jianjun Shi},
journal= {arXiv preprint arXiv:2202.13788},
year = {2022}
}