PPF-FoldNet：用于无监督学习旋转不变三维局部描述子
计算机视觉与模式识别
2018-08-31 v1 计算几何
机器学习
机器人学
摘要
我们提出 PPF-FoldNet，用于在点云纯几何数据上无监督学习三维局部描述子。基于已知点对特征（point pair features）的基于折叠的自编码，PPF-FoldNet 具有许多理想特性：它既不需要监督，也不需要敏感的局部参考系，受益于点集稀疏性，是端到端的、快速的，并且可以提取强大的旋转不变描述子。借助一种新颖的特征可视化方法，其演化过程可被监控以提供可解释的洞察。我们的大量实验表明，尽管具有六自由度不变性且缺乏训练标签，我们的网络在标准基准数据集上取得了最先进（state of the art）的结果，并在存在旋转和点密度变化的情况下优于其竞争对手。PPF-FoldNet 在标准基准上实现了高 的召回率，在相同数据集引入旋转时召回率高 ，最后，在点密度显著降低时达到了 的优势。
引用
@article{arxiv.1808.10322,
title = {PPF-FoldNet: Unsupervised Learning of Rotation Invariant 3D Local Descriptors},
author = {Haowen Deng and Tolga Birdal and Slobodan Ilic},
journal= {arXiv preprint arXiv:1808.10322},
year = {2018}
}
备注
Accepted for publication at ECCV 2018