面向三维点云深度学习的旋转不变卷积

三维深度学习近期的进展表明，可以设计特殊的卷积算子来处理点云数据。然而，一个典型的缺陷是旋转不变性往往无法保证，导致网络需要使用旋转增强的数据进行训练。本文提出一种用于点云的新型卷积算子，可实现旋转不变性。我们的核心思想是利用距离和角度等底层旋转不变几何特征来设计用于点云学习的卷积算子。众所周知的点排序问题也通过无缝内置于卷积中的分箱方法得以解决。该卷积算子随后作为神经网络的基本构建模块，对经历 6DoF 变换（如平移和旋转）的点云具有鲁棒性。我们的实验表明，我们的方法在物体分类与分割等常见场景理解任务中取得了高准确率。与先前工作相比，最重要的是，我们的方法能够泛化并在不同场景中取得一致结果，其中训练与测试可包含任意旋转。