无监督学习有效的等变 3D 描述子
计算机视觉与模式识别
2019-09-17 v1
摘要
建立 3D 形状间的对应关系是 3D 计算机视觉中的基本任务，通常由匹配局部描述子来解决。近来，将深度学习范式应用于该任务的若干尝试已显示出有前景的结果。然而，学习旋转不变描述子的唯一探索途径是向神经网络输入由现有手工描述子提供的高度工程化且不变的表示，这条路径与从原始数据端到端学习（在 2D 图像上已成功部署）的方向相反。本文中，我们探索通过解耦鲁棒且具区分性的旋转等变表示的构建（可从无朝向输入数据学习）与良好规范朝向的定义（仅测试时为获得不变描述子所需）来向 3D 描述子端到端学习方向回退一步的益处。为此，我们利用两项近期创新：球面卷积神经网络用于学习等变描述子，以及平面折叠解码器用于无监督学习。所提方法的有效性通过在一个标准基准上超越手工与学习型描述子得到了实验验证。
引用
@article{arxiv.1909.06887,
title = {Learning an Effective Equivariant 3D Descriptor Without Supervision},
author = {Riccardo Spezialetti and Samuele Salti and Luigi Di Stefano},
journal= {arXiv preprint arXiv:1909.06887},
year = {2019}
}
备注
Accepted to International Conference on Computer Vision 2019