从点云序列自监督学习部件运动性
计算机视觉与模式识别
2021-03-03 v2
摘要
部件运动性分析是实现对 3D 物体功能性理解所需的重要方面。从 3D 物体的连续部件运动中获取部件运动性是很自然的。在本研究中，我们引入一种自监督方法，用于从表示动态物体的点云序列中分割运动部件并预测其运动属性。为充分利用点云序列中的时空信息，我们通过使用序列连续帧间的相关性生成轨迹，而非直接处理点云。我们提出一种称为 PointRNN 的新型神经网络架构，以学习轨迹及其部件刚体运动的特征表示。我们在多种任务上评估我们的方法，包括运动部件分割、运动轴预测和运动范围估计。结果表明，我们的方法在合成和真实数据集上均优于先前技术。此外，我们的方法能够泛化到新的未见物体。需要强调的是，不需要知道任何先验形状结构、先验形状类别信息或形状方向。据我们所知，这是首个利用深度学习从动态物体的点云序列中提取部件运动性的研究。
引用
@article{arxiv.2010.11735,
title = {Self-Supervised Learning of Part Mobility from Point Cloud Sequence},
author = {Yahao Shi and Xinyu Cao and Bin Zhou},
journal= {arXiv preprint arXiv:2010.11735},
year = {2021}
}