从无对齐点集无监督学习类别特定的对称三维关键点
计算机视觉与模式识别
2021-01-07 v3
摘要
从某类物体集合中自动发现类别特定的三维关键点是一个具有挑战性的问题。原因之一并非类别中所有物体都具有相同的语义部件。当物体以三维点云表示、且形状变化且坐标框架未知时，难度进一步增加。我们将关键点定义为类别特定的，是指它们能有意义地表示物体形状，并且其对应关系可简单地按次序在所有物体间建立。本文旨在以无监督方式，利用来自未知类别的物体三维点云（未对齐）集合学习类别特定的三维关键点。为此，我们在不假设对称面已知的情况下，使用对称线性基形状对类别内由关键点定义的形状建模。对称先验的使用使我们能够学习适用于更高未对齐程度的稳定关键点。据我们所知，这是首个直接从三维点云学习此类关键点的工作。利用四个基准数据集的类别，我们通过定量与定性评估展示了所学关键点的质量。我们的实验还表明，所提方法发现的关键点在几何与语义上均一致。
引用
@article{arxiv.2003.07619,
title = {Unsupervised Learning of Category-Specific Symmetric 3D Keypoints from Point Sets},
author = {Clara Fernandez-Labrador and Ajad Chhatkuli and Danda Pani Paudel and Jose J. Guerrero and Cédric Demonceaux and Luc Van Gool},
journal= {arXiv preprint arXiv:2003.07619},
year = {2021}
}