姿态之隐：基于姿态感知卷积的无歧义三维旋转不变学习
计算机视觉与模式识别
2022-05-31 v1
摘要
旋转不变(RI)三维深度学习方法存在性能退化，因为它们通常将RI表示设计为输入，与三维坐标相比丢失了关键的全局信息。大多数SOTA方法以繁重且低效的方式引入额外模块或复杂全局表示来解决该问题。本文中，我们揭示全局信息丢失源于一个未被探索的姿态信息丢失问题，该问题可更高效且有效地解决，因为我们只需在每一层恢复更轻量的局部姿态，而全局信息可在深度网络中无额外代价地分层聚合。为解决此问题，我们发展了姿态感知旋转不变卷积（即PaRI-Conv），其基于相对姿态动态自适应卷积核。为实现它，我们提出增强点对面特征(APPF)以充分编码RI相对姿态信息，以及一种用于姿态感知核生成的分解动态核，其通过将核分解为共享基矩阵与姿态感知对角矩阵进一步降低计算成本与内存负担。在形状分类与部件分割任务上的大量实验表明，我们的PaRI-Conv在更紧凑高效的同时超越了SOTA RI方法。
引用
@article{arxiv.2205.15210,
title = {The Devil is in the Pose: Ambiguity-free 3D Rotation-invariant Learning via Pose-aware Convolution},
author = {Ronghan Chen and Yang Cong},
journal= {arXiv preprint arXiv:2205.15210},
year = {2022}
}
备注
Accepted by CVPR 2022