旋转变换网络：学习用于分类与分割的视角不变点云
计算机视觉与模式识别
2021-07-08 v1
摘要
许多近期工作表明，空间操纵模块能够提升深度神经网络（DNNs）用于三维点云分析的性能。本文旨在对空间操纵模块提供深入认识。首先，我们发现物体的旋转自由度（RDF）越小，这些DNNs越容易处理这些物体。接着，我们研究了流行的T-Net模块的效果，发现它不能降低物体的RDF。受上述两个问题启发，我们提出了一种用于点云分析的旋转变换网络，称为RTN，其能将输入三维物体的RDF降低至0。RTN可无缝插入许多现有的点云分析DNNs中。在三维点云分类与分割任务上的大量实验结果表明，所提出的RTN能显著改善几种最先进（state-of-the-art）方法的性能。
引用
@article{arxiv.2107.03105,
title = {Rotation Transformation Network: Learning View-Invariant Point Cloud for Classification and Segmentation},
author = {Shuang Deng and Bo Liu and Qiulei Dong and Zhanyi Hu},
journal= {arXiv preprint arXiv:2107.03105},
year = {2021}
}