用于学习可变形物体物理动力学的柔性网络
计算机视觉与模式识别
2022-01-14 v2 人工智能
机器学习
摘要
基于粒子表示学习可变形物体的物理动力学一直是机器学习中许多计算模型的目标。尽管若干最先进模型已在仿真环境中实现该目标，但大多数现有模型施加了一个前提条件，即输入为有序点集序列。也就是说，在整个输入序列中，每个点集内的点的顺序必须保持一致。这一前提条件限制了模型对真实世界数据的泛化能力，因为真实世界数据被视为无序点集序列。本文提出一种名为时间维 PointNet（TP-Net）的模型，该模型通过直接消费无序点集序列来推断基于粒子表示的可变形物体的未来状态，从而解决了这一问题。我们的模型由一个共享特征提取器和一个预测网络组成：共享特征提取器并行地从每个输入点集中提取全局特征，预测网络对这些特征进行聚合与推理以进行未来预测。我们方法的核心思想是使用全局特征而非局部特征，以实现对输入排列的不变性，并确保模型的稳定性与可扩展性。实验表明，我们的模型在合成数据集和真实世界数据集上均以实时预测速度达到了最先进（SOTA）性能。此外，我们定量与定性地分析了为何我们的方法比现有方法更有效且更高效。
引用
@article{arxiv.2112.03728,
title = {Flexible Networks for Learning Physical Dynamics of Deformable Objects},
author = {Jinhyung Park and DoHae Lee and In-Kwon Lee},
journal= {arXiv preprint arXiv:2112.03728},
year = {2022}
}