利用对齐边卷积神经网络学习点云的旋转不变表示
计算机视觉与模式识别
2021-01-05 v1
摘要
由于能够快速精确测量场景深度的3D传感器的发展，点云分析正成为一个日益受关注的领域。遗憾的是，由于这些方法难以泛化到未见过的旋转，将深度学习技术应用于点云分析并非易事。为应对这一局限，通常不得不扩充训练数据，这可能导致额外计算量并需要更大的模型复杂度。本文提出一种称为对齐边卷积神经网络（AECNN）的新神经网络，其学习点云相对于局部参考帧（LRFs）的特征表示，以确保对旋转的不变性。具体而言，特征在局部学习并相对于自动计算的参考点的LRF进行对齐。所提方法在点云分类与部件分割任务上进行了评估。本文表明，在不需任何额外数据扩充的情况下，所提技术在旋转鲁棒性上优于多种最先进方法（甚至包括在扩充数据集上训练的方法）。
引用
@article{arxiv.2101.00483,
title = {Learning Rotation-Invariant Representations of Point Clouds Using Aligned Edge Convolutional Neural Networks},
author = {Junming Zhang and Ming-Yuan Yu and Ram Vasudevan and Matthew Johnson-Roberson},
journal= {arXiv preprint arXiv:2101.00483},
year = {2021}
}
备注
3D Vision Conference 2020