面向三维点云的旋转不变局部到全局表示学习

我们提出了一种用于三维点云数据的局部到全局表示学习算法，该算法适用于处理各种几何变换，尤其是旋转，而无需针对这些变换进行显式的数据增强。我们的模型利用了基于图卷积神经网络的多级抽象，以自底向上的方式构建描述符层次结构来编码输入对象的旋转不变形状信息。每一级的描述符通过基于图的神经网络对三维点进行随机采样获得，这有效地使学习到的表示对输入数据的变化具有鲁棒性。所提出的算法在旋转增强的三维物体识别与分割基准上取得了最先进的性能，我们通过全面的消融实验进一步分析了其特性。