RISurConv：旋转不变表面注意力增强卷积用于三维点云分类与分割
计算机视觉与模式识别
2024-08-13 v1
摘要
尽管三维点云深度学习取得了进展，大多数先前工作专注于学习对平移和点排列不变的特征，而对旋转不变性的研究投入非常有限。一些近期研究以牺牲准确率为代价实现了旋转不变性。在本工作中，我们通过提出一种新颖且有效的旋转不变架构来弥补这一差距，用于三维点云分类与分割。我们不是采用传统的逐点操作，而是构建局部三角形表面以捕获更详细的表面结构，基于这些表面我们可以提取高表达力的旋转不变表面属性，然后将这些属性整合到一种名为 RISurConv 的注意力增强卷积算子中，通过自注意力层生成细化的注意力特征。基于 RISurConv，我们构建了一个有效的神经网络用于三维点云分析，该网络对任意旋转具有不变性，同时保持高准确率。我们在各种基准测试上验证了性能，取得了超越先前最先进水平的大幅提升。我们在 ModelNet40 上实现了 96.0%（+4.7%）的整体准确率，在 ScanObjectNN 上实现了 93.1%（+12.8%），在 FG3D 数据集的三个类别上分别实现了 91.5%（+3.6%）、82.7%（+5.1%）和 78.5%（+9.2%）的类别准确率用于细粒度分类任务。此外，我们在 ShapeNet 上实现了 81.5%（+1.0%）的 mIoU 用于分割任务。代码已发布在 https://github.com/cszyzhang/RISurConv。
引用
@article{arxiv.2408.06110,
title = {RISurConv: Rotation Invariant Surface Attention-Augmented Convolutions for 3D Point Cloud Classification and Segmentation},
author = {Zhiyuan Zhang and Licheng Yang and Zhiyu Xiang},
journal= {arXiv preprint arXiv:2408.06110},
year = {2024}
}
备注
ECCV 2024 (oral)