CRIN：基于离心参考系的点云旋转不变分析与旋转估计
计算机视觉与模式识别
2023-03-07 v1
摘要
近期多种方法试图通过以相对距离和角度替换点的输入坐标来实现旋转不变的三维深度学习。由于这些低级特征的不完备性，它们不得不以丢失全局信息为代价。本文中，我们提出CRIN，即离心旋转不变网络（Centrifugal Rotation-Invariant Network）。CRIN直接以点坐标作为输入，并通过离心参考系将局部点变换为旋转不变表示。借助离心参考系，每个点对应于一个离散旋转，从而旋转信息可隐式存储于点特征中。遗憾的是，离散点远不足以描述整个旋转空间。我们进一步基于点引入了一种三维旋转的连续分布。此外，我们提出一种基于注意力的下采样策略以采样对旋转不变的点。最后采用关系模块强化采样点间的长程依赖，并预测用于无监督旋转估计的锚点。大量实验表明，我们的方法实现了旋转不变性，准确估计物体旋转，并在旋转增强的分类与部件分割上取得SOTA结果。消融研究验证了网络设计的有效性。
引用
@article{arxiv.2303.03101,
title = {CRIN: Rotation-Invariant Point Cloud Analysis and Rotation Estimation via Centrifugal Reference Frame},
author = {Yujing Lou and Zelin Ye and Yang You and Nianjuan Jiang and Jiangbo Lu and Weiming Wang and Lizhuang Ma and Cewu Lu},
journal= {arXiv preprint arXiv:2303.03101},
year = {2023}
}
备注
AAAI 2023