基于鲁棒核的特征表示用于三维点云分析的环形卷积网络
计算机视觉与模式识别
2022-09-01 v5
摘要
点云的特征描述子被用于多种应用，例如三维点云的配准与部件分割。学习局部几何特征的判别性表示无疑是精确点云分析最重要的任务。然而，开发旋转或尺度不变的描述子具有挑战性。以往大多数研究要么忽略旋转，要么通过经验研究最优尺度参数，这阻碍了方法在真实世界数据集上的适用性。本文提出一种新的局部特征描述方法，对旋转、密度和尺度变化具有鲁棒性。此外，为改进局部描述子的表示，我们提出一种全局聚合方法。首先，我们在法线方向周围对齐放置核。为避免法向量的符号问题，我们在切平面内使用对称的核点分布。从每个核点出发，我们基于角度和距离将空间中的点投影到特征空间，该过程对多尺度和旋转具有鲁棒性。随后，我们通过考虑局部核点结构和由全局聚合方法获得的远程全局上下文来执行图卷积。我们在基准数据集（即 ModelNet40 和 ShapeNetPart）上对所提描述子进行实验，以评估三维点云配准、分类和部件分割的性能。与 SOTA 方法相比，我们的方法在配准任务中将旋转和平移误差降低了 70，表现出更优性能。我们的方法在分类和部件分割任务中也以简单低维的架构展现出可比的性能。
引用
@article{arxiv.2012.12215,
title = {Robust Kernel-based Feature Representation for 3D Point Cloud Analysis via Circular Convolutional Network},
author = {Seunghwan Jung and Yeong-Gil Shin and Minyoung Chung},
journal= {arXiv preprint arXiv:2012.12215},
year = {2022}
}
备注
12 pages, 9 figures