面向三维点云的几何胶囊自编码器
机器学习
2019-12-10 v1 计算机视觉与模式识别
图形学
神经与进化计算
机器学习
摘要
我们提出一种利用可几何解释的隐藏单元束（称之为几何胶囊）从三维点云学习物体表示的方法。每个几何胶囊表示一个视觉实体，如物体或部件，并由两部分组成：位姿与特征。位姿编码实体所在位置，而特征编码其是什么。我们使用这些胶囊构建几何胶囊自编码器，以无监督方式学习将三维点分组为部件（小的局部曲面），并将这些部件组合为整个物体。我们新颖的多视图一致性投票机制用于发现物体的规范位姿及其位姿不变特征向量。利用ShapeNet与ModelNet40数据集，我们分析了所学表示的性质并展示了多票一致带来的益处。我们执行任意旋转物体的对齐与检索——这些任务评估了本模型物体识别与规范位姿恢复的能力——并获得了有见地的结果。
引用
@article{arxiv.1912.03310,
title = {Geometric Capsule Autoencoders for 3D Point Clouds},
author = {Nitish Srivastava and Hanlin Goh and Ruslan Salakhutdinov},
journal= {arXiv preprint arXiv:1912.03310},
year = {2019}
}