稀疏可导卷积：面向三维空间物体位姿估计与跟踪的 SE(3) 等变特征高效学习
计算机视觉与模式识别
2021-11-16 v1
摘要
作为 SE(3) 等变深度特征学习的基本组件，可导卷积近期已展现出其在三维语义分析中的优势。然而，这些优势是以对稠密体数据进行高开销计算为代价的，这阻碍了其在本质上稀疏的三维数据上的高效处理应用。在本文中，我们提出了一种新颖的稀疏可导卷积（SS-Conv）设计来克服这一缺陷；SS-Conv 利用稀疏张量大幅加速可导卷积，同时严格保持 SE(3) 等变性。基于 SS-Conv，我们提出了一种用于精确估计物体位姿的通用流程，其中一个关键设计是特征导向模块，该模块充分利用 SE(3) 等变性，能够进行高效的位姿优化。为了验证我们的设计，我们在三维物体语义分析的三个任务上进行了全面实验，包括实例级 6D 位姿估计、类别级 6D 位姿与尺寸估计以及类别级 6D 位姿跟踪。基于 SS-Conv 的流程在三个任务评估的几乎所有指标上均优于现有方法。消融研究也表明，在准确率和效率方面，我们的 SS-Conv 优于其他替代卷积。我们的代码已在 https://github.com/Gorilla-Lab-SCUT/SS-Conv 上公开发布。
引用
@article{arxiv.2111.07383,
title = {Sparse Steerable Convolutions: An Efficient Learning of SE(3)-Equivariant Features for Estimation and Tracking of Object Poses in 3D Space},
author = {Jiehong Lin and Hongyang Li and Ke Chen and Jiangbo Lu and Kui Jia},
journal= {arXiv preprint arXiv:2111.07383},
year = {2021}
}
备注
Accepted by NeurIPS 2021