用于形状分类的规范且紧致的点云表示
计算机视觉与模式识别
2018-09-14 v1
摘要
我们提出了一种新颖的紧致点云表示，其固有地对于尺度、坐标变换和点置换具有不变性。核心思想是以无监督方式将单个形状周围的距离场参数化为一个唯一的、规范的和紧致的向量。我们首先使用奇异值分解将距离场投影到 维规范空间。然后我们为每个实例训练一个神经网络，将其距离场非线性嵌入到网络参数中。我们采用带有 ReLU 激活单元的无偏置极限学习机（ELM），其具有层间的尺度因子交换性质。我们通过将这些逐实例的形状嵌入网络参数用于 D 数据集中的形状分类，展示了其描述能力。我们基于学习的表示需要极少的增强和简单的神经网络，而先前的方法需要大量表示来处理坐标变换和点置换。
引用
@article{arxiv.1809.04820,
title = {Canonical and Compact Point Cloud Representation for Shape Classification},
author = {Kent Fujiwara and Ikuro Sato and Mitsuru Ambai and Yuichi Yoshida and Yoshiaki Sakakura},
journal= {arXiv preprint arXiv:1809.04820},
year = {2018}
}
备注
16 pages, 5 figures