PointTree：基于松弛K-D树的变换鲁棒点云编码器
计算机视觉与模式识别
2022-08-12 v1 机器学习
摘要
能够直接在原始点云上学习有效的语义表示已成为3D理解的核心课题。尽管进展迅速，最先进的编码器受限于规范化点云，且在遭遇几何变换失真时性能弱于必要水平。为克服此挑战，我们提出PointTree，一种基于松弛K-D树、对变换鲁棒的通用点云编码器。我们方法的关键在于利用主成分分析(PCA)设计K-D树中的划分规则。我们将松弛K-D树的结构用作计算图，并将特征建模为边界描述子，以逐点最大操作进行合并。除这一新颖架构设计外，我们进一步通过引入预对齐——一种简单而有效的基于PCA的归一化方案——提升鲁棒性。我们的PointTree编码器结合预对齐在广泛基准数据集的多种变换版本上，从物体分类到语义分割的应用中，始终以大幅优势超越最先进方法。代码与预训练模型见https://github.com/immortalCO/PointTree。
引用
@article{arxiv.2208.05962,
title = {PointTree: Transformation-Robust Point Cloud Encoder with Relaxed K-D Trees},
author = {Jun-Kun Chen and Yu-Xiong Wang},
journal= {arXiv preprint arXiv:2208.05962},
year = {2022}
}
备注
ECCV 2022