用于三维点云的迭代变换网络
计算机视觉与模式识别
2019-10-21 v2 机器学习
摘要
三维点云是三维结构的一种高效且灵活的表示。近来，在点云上运行的神经网络在形状分类和部件分割等三维理解任务上展现出优越性能。然而，此类任务的评估基于规范坐标系下对齐的完整形状，而真实世界的三维数据是残缺且未对齐的。从残缺、未对齐点云数据学习的一个关键挑战是学习对几何变换具有不变性或等变性的特征。为应对该挑战，我们提出迭代变换网络(IT-Net)，这是一种通过以迭代方式预测的一系列三维刚体变换来规范化残缺物体位姿的网络模块。我们证明了 IT-Net 作为基于残缺点云、无需完整物体模型的任意时刻位姿估计器的有效性。此外，我们表明 IT-Net 在残缺形状分类和物体部件分割等多种任务上优于其他三维变换网络。
引用
@article{arxiv.1811.11209,
title = {Iterative Transformer Network for 3D Point Cloud},
author = {Wentao Yuan and David Held and Christoph Mertz and Martial Hebert},
journal= {arXiv preprint arXiv:1811.11209},
year = {2019}
}