SVNet：当 SO(3) 等变遇见点云表征上的二值化
计算机视觉与模式识别
2022-09-22 v2
摘要
随着边缘设备在自动驾驶和机器人等场景中无处不在的使用，这些场景通常要求实时且可靠的响应，3D 点云应用对效率与鲁棒性的需求日益增长。本文通过设计一个通用框架来构建兼具 SO(3) 等变性与网络二值化的 3D 学习架构，以应对该挑战。然而，等变网络与二值化的朴素结合会导致次优计算效率或几何歧义。我们提出在网络中同时定位标量与向量特征以避免这两种情况。确切地说，标量特征的存在使网络的主要部分可二值化，而向量特征用于保留丰富的结构信息并确保 SO(3) 等变性。所提方法可应用于 PointNet 和 DGCNN 等通用骨干网络。同时，在 ModelNet40、ShapeNet 和真实世界数据集 ScanObjectNN 上的实验表明，该方法在效率、旋转鲁棒性和准确率之间取得了良好的权衡。代码见 https://github.com/zhuoinoulu/svnet。
引用
@article{arxiv.2209.05924,
title = {SVNet: Where SO(3) Equivariance Meets Binarization on Point Cloud Representation},
author = {Zhuo Su and Max Welling and Matti Pietikäinen and Li Liu},
journal= {arXiv preprint arXiv:2209.05924},
year = {2022}
}
备注
Accepted in 3DV 2022. 11 pages including the appendix