用于三维点云分析的等变点网络
计算机视觉与模式识别
2021-04-05 v2
摘要
近期研究表明,对更大对称群具有等变性的特征更具判别力且更强大。然而,高阶等变特征往往伴随指数级增长的计算代价。此外,如何利用旋转等变特征来处理三维形状对齐任务仍较少被探索。尽管许多以往方法基于非等变或不变量描述子来对齐三维形状,我们认为此类任务可极大受益于等变框架。本文提出一种高效且实用的 SE(3)(三维平移与旋转)等变网络用于点云分析,同时解决上述两个问题。首先,我们提出 SE(3) 可分离点卷积,一种将 6D 卷积分解为两个可分离卷积算子的新框架,交替在三维欧氏空间和 SO(3) 空间中执行。这在不损害性能的前提下显著降低了计算代价。其次,我们引入注意力层以有效利用等变特征的表达能力。在与网络联合训练时,注意力层隐式推导特征空间中的内在局部标架,并生成可集成到不同对齐任务中的注意力向量。我们通过大量实验研究与可视化解释评估了我们的方法。实证结果表明,我们所提模型在多种基准上优于强基线。
引用
@article{arxiv.2103.14147,
title = {Equivariant Point Network for 3D Point Cloud Analysis},
author = {Haiwei Chen and Shichen Liu and Weikai Chen and Hao Li},
journal= {arXiv preprint arXiv:2103.14147},
year = {2021}
}
备注
10 pages, to be published in CVPR2021