旋转不变的点云分类：当局部几何遇见全局拓扑
计算机视觉与模式识别
2021-06-02 v3
摘要
点云分析是三维计算机视觉中的一项基础任务。以往多数工作在具有良好对齐数据的合成数据集上开展实验；而真实世界的点云通常未经预对齐。如何实现旋转不变性仍是点云分析中的一个开放问题。为应对这一挑战，我们提出了一种通过结合局部几何与全局拓扑来实现旋转不变（RI）表示的新方法。在我们的局部-全局表示（LGR）-Net 中，设计了一个双分支网络，其中一个流编码局部几何 RI 特征，另一个流编码全局拓扑保持 RI 特征。受局部几何与全局拓扑在不同区域具有不同但互补的 RI 响应这一观察的启发，双分支 RI 特征通过一个基于创新多层感知机（MLP）的注意力模块进行融合。据我们所知，本工作是旋转不变点云分析背景下自适应结合全局与局部信息的首个系统性方法。大量实验表明，我们的 LGR-Net 在 ModelNet40、ShapeNet、ScanObjectNN 和 S3DIS 的多种旋转增强版本上取得了最先进的性能。
引用
@article{arxiv.1911.00195,
title = {Rotation Invariant Point Cloud Classification: Where Local Geometry Meets Global Topology},
author = {Chen Zhao and Jiaqi Yang and Xin Xiong and Angfan Zhu and Zhiguo Cao and Xin Li},
journal= {arXiv preprint arXiv:1911.00195},
year = {2021}
}