单视角物体点云分类
计算机视觉与模式识别
2022-03-01 v4
摘要
自 ModelNet 与 ShapeNet 等基准数据集发布以来，物体点云分类引起了大量研究关注。这些基准假设点云覆盖物体实例的完整表面，并已开发出众多高性能方法。然而，它们的设定偏离了实践中常见的情况：由于（自）遮挡，从任意视角捕获的点云仅覆盖物体的部分表面。本文中我们表明，在考虑的单视角、部分覆盖设定下，现有点云分类器的性能急剧下降；该现象与如下观察一致，即仅当部分物体表面在整体表面上的分布被明确指定时，其语义类别才较少歧义。为此，我们主张一种单视角、部分设定，其中物体姿态估计的监督学习应与分类相伴进行。技术上，我们提出一种基线方法——姿态伴随点云分类网络（PAPNet）；PAPNet 构建于 SE(3)-等变卷积之上，学习定义在向量场上的等变特征的中间姿态变换，这使得后续分类（理想情况下）在类别级规范姿态中更容易。通过将现有 ModelNet40 与 ScanNet 数据集适配到单视角、部分设定，实验结果可验证物体姿态估计的必要性以及我们的 PAPNet 相对于现有分类器的优越性。
引用
@article{arxiv.2012.10042,
title = {Classification of Single-View Object Point Clouds},
author = {Zelin Xu and Ke Chen and Kangjun Liu and Changxing Ding and Yaowei Wang and Kui Jia},
journal= {arXiv preprint arXiv:2012.10042},
year = {2022}
}