基于权重-特征对齐的点云通用旋转不变性学习
计算机视觉与模式识别
2023-10-11 v3
摘要
与 2D 图像相比，3D 点云对旋转敏感得多。我们期望描述特定模式的点特征对旋转变换保持不变。近期有许多 SOTA 工作致力于 3D 点云的旋转不变学习。然而，当前的旋转不变方法由于依赖全局分布（即全局场景与背景），在开放场景的点云上缺乏泛化能力。考虑到输出激活是模式及其方向的函数，我们需要消除方向的影响。本文受网络权重可被视为一组与输入点分布在同一 3D 空间中的点的启发，提出权重-特征对齐（WFA），通过使特征与网络权重的主轴对齐来构建局部不变参考系（IRF）。我们的 WFA 算法为所有场景的点云提供了通用解决方案。WFA 确保模型实现响应活跃度是模式匹配程度的充分必要条件的目标。实践中，我们在单物体与开放大范围场景的点云上进行了实验。结果表明，我们的方法几乎弥合了旋转不变学习与普通方法之间的差距。
引用
@article{arxiv.2302.09907,
title = {General Rotation Invariance Learning for Point Clouds via Weight-Feature Alignment},
author = {Liang Xie and Yibo Yang and Wenxiao Wang and Binbin Lin and Deng Cai and Xiaofei He and Ronghua Liang},
journal= {arXiv preprint arXiv:2302.09907},
year = {2023}
}
备注
4 figures