具有自适应采样与三维球面体素卷积的逐点旋转不变网络
计算机视觉与模式识别
2019-12-06 v5
摘要
在无位姿先验的情况下进行点云分析在实际应用中极具挑战性，因为点云的方向通常未知。本文提出一种全新的点集学习框架 PRIN，即逐点旋转不变网络（Pointwise Rotation-Invariant Network），专注于点云分析中的旋转不变特征提取。我们通过密度感知自适应采样构建球面信号，以处理球面空间中失真点分布的问题。此外，我们提出球面体素卷积与点重采样，为每个点提取旋转不变特征。我们的网络可应用于物体分类、部件分割、三维特征匹配与标签对齐等任务。我们表明，在带有随机旋转点云的数据集上，PRIN 无需任何数据增强即优于当前最优（SOTA）方法。我们还对所提方法实现的旋转不变性给出了理论分析。
引用
@article{arxiv.1811.09361,
title = {Pointwise Rotation-Invariant Network with Adaptive Sampling and 3D Spherical Voxel Convolution},
author = {Yang You and Yujing Lou and Qi Liu and Yu-Wing Tai and Lizhuang Ma and Cewu Lu and Weiming Wang},
journal= {arXiv preprint arXiv:1811.09361},
year = {2019}
}
备注
8 pages, to appear on AAAI 2020