基于消息传递中方向学习的等变点云分析
计算机视觉与模式识别
2022-03-29 v1
摘要
等变性(equivariance)一直是计算机视觉到物理建模等多个领域长期关注的问题。大多数先前的方法在通用性、简洁性和表达能力上有所欠缺——有些是针对特定数据类型临时设计的,有些过于复杂难以使用,有些则牺牲了灵活的变换。在本工作中,我们提出了一种新颖且简洁的框架,基于消息传递(图神经网络)方案实现点云分析的等变性。我们发现,通过为每个点引入一个方向,将该点的相对位置与整个点云的全局姿态解耦,即可获得等变性质。因此,我们用一个为每个点学习方向的模块扩展了当前的消息传递网络。在聚合某点来自邻居的信息之前,网络根据该点学习到的方向对邻居坐标进行变换。我们提供了形式化证明以展示所提框架的等变性。在实验上,我们证明了所提方法在点云分析和物理建模任务上均具有竞争力。代码见 https://github.com/luost26/Equivariant-OrientedMP 。
引用
@article{arxiv.2203.14486,
title = {Equivariant Point Cloud Analysis via Learning Orientations for Message Passing},
author = {Shitong Luo and Jiahan Li and Jiaqi Guan and Yufeng Su and Chaoran Cheng and Jian Peng and Jianzhu Ma},
journal= {arXiv preprint arXiv:2203.14486},
year = {2022}
}
备注
Accepted to CVPR 2022