TACO-Net：拓扑特征在三维物体分类中的胜利
计算机视觉与模式识别
2025-09-30 v1 计算几何
机器学习
摘要
三维物体分类是一个关键问题，因其在计算机视觉、机器人和自动驾驶等诸多领域具有重要的实际意义。近年来，应用于在物体CAD模型上采样的点云和/或由LiDAR或RGBD相机捕获的点云的深度学习方法取得了显著成功，但由于点云的无序性、不规则性及噪声，实现高分类精度仍具挑战。为此，我们提出了一种结合拓扑数据分析与多种图像过滤技术的新型state-of-the-art (SOTA)三维物体分类技术，用于对点云表示的物体进行分类。我们将每个点云转换为体素化三维二值图像，以提取具有区分性的拓扑特征。随后，利用从训练集中提取的特征集训练轻量级一维卷积神经网络 (1D CNN)。我们的框架TACO-Net在广泛使用的合成基准ModelNet40和ModelNet10上分别实现了和的准确率，创造了新的state-of-the-art，并在大规模真实世界数据集OmniObject3D上进一步证明了其鲁棒性。在十种不同类型的损坏ModelNet40输入上进行测试时，所提出的TACO-Net整体展现出强大的抗干扰能力。
引用
@article{arxiv.2509.24802,
title = {TACO-Net: Topological Signatures Triumph in 3D Object Classification},
author = {Anirban Ghosh and Ayan Dutta},
journal= {arXiv preprint arXiv:2509.24802},
year = {2025}
}