为三维点云设计等变神经网络
计算机视觉与模式识别
2022-05-03 v1 人工智能
摘要
本工作旨在通过引入一般群变换下的群等变性，改善现有三维点云神经网络的泛化性与鲁棒性。为点云设计等变模型的主要挑战在于如何权衡模型性能与复杂度。现有等变模型要么过于复杂难以实现，要么复杂度极高。本研究的主要目标是建立一种通用流程，将群等变性质引入三维点云的SOTA模型。由我们的流程构建的群等变模型易于实现，相较现有模型复杂度更低，且保留了原始SOTA骨干网络的优势。从物体分类实验的结果来看，我们的方法在性能与复杂度上均优于其他群等变模型。此外，我们的方法还有助于提升语义分割模型的mIoU。总体而言，通过仅使用有限旋转等变与数据增广的组合，我们的模型能以低得多的复杂度和GPU内存开销优于现有的全-等变模型。所提流程具有通用性，构成了群等变神经网络的基础性方法。我们相信其未来可轻松适配其他SOTA模型。
引用
@article{arxiv.2205.00630,
title = {Design equivariant neural networks for 3D point cloud},
author = {Thuan N. A. Trang and Thieu N. Vo and Khuong D. Nguyen},
journal= {arXiv preprint arXiv:2205.00630},
year = {2022}
}