等变多视图网络
计算机视觉与模式识别
2019-10-29 v2
摘要
若干流行的3D视觉任务处理方法用预训练于自然图像的深度神经网络独立处理输入的多视图，并通过对所有视图的单轮池化实现视图置换不变性。我们认为该操作丢弃了重要信息并导致次优的全局描述子。本文提出一种用于多视图聚合的群卷积方法，其中卷积在旋转群的离散子群上执行，从而以等变(而非不变)的方式在所有视图上联合推理，直至最后一层。我们进一步将该思想发展至旋转群的更小离散齐性空间上操作，其中采用极视图表示以仅用一小部分输入视图数维持等变性。我们在多个大规模3D形状检索任务上确立了新的SOTA，并展示了在全景场景分类中的额外应用。
引用
@article{arxiv.1904.00993,
title = {Equivariant Multi-View Networks},
author = {Carlos Esteves and Yinshuang Xu and Christine Allen-Blanchette and Kostas Daniilidis},
journal= {arXiv preprint arXiv:1904.00993},
year = {2019}
}
备注
Camera-ready. Accepted to ICCV'19 as oral presentation