SPE-Net：通过旋转鲁棒性增强提升点云分析
计算机视觉与模式识别
2022-11-16 v1
摘要
本文中，我们提出一种专为 3D 点云应用设计的新型深度架构，称为 SPE-Net。其内嵌的“选择性位置编码（SPE）”过程依赖于一种注意力机制，可有效关注输入的潜在旋转状态。该编码后的旋转状态进而决定网络参数的哪部分被重点关注，并显示出有助于降低训练期间优化的自由度。因此该机制可通过降低训练难度更好地利用旋转增强，使 SPE-Net 在训练与测试时均对旋转数据具有鲁棒性。本文的新发现也促使我们重新思考所提取旋转信息与实际测试精度之间的关系。有趣的是，我们揭示证据表明，通过 SPE-Net 局部编码旋转信息，旋转不变特征对于无实际全局旋转的测试样本仍具有关键益处。我们在四个基准上实证展示了 SPE-Net 及相关假设的优异性，在旋转与未旋转测试数据上均较 SOTA 方法有明显提升。源代码见于 https://github.com/ZhaofanQiu/SPE-Net。
引用
@article{arxiv.2211.08250,
title = {SPE-Net: Boosting Point Cloud Analysis via Rotation Robustness Enhancement},
author = {Zhaofan Qiu and Yehao Li and Yu Wang and Yingwei Pan and Ting Yao and Tao Mei},
journal= {arXiv preprint arXiv:2211.08250},
year = {2022}
}
备注
ECCV 2022. Source code is available at https://github.com/ZhaofanQiu/SPE-Net