NIPSFeb, 2018

张量场网络：旋转和平移等变神经网络在三维点云中的应用

PDF
TL;DR介绍了局部等变于 3D 旋转，平移和点的排列的张量场神经网络；使用球谐函数构建滤波器，接受标量、向量和高阶张量作为输入，并在几何意义下保证输出。用于处理几何、物理和化学任务。
tensor field neural networks3d rotationsspherical harmonicsgeometryphysics
发现论文，激发创造
  • 3D Steerable CNNs：学习体数据中的等变特征

    本文提出了一种卷积网络，它对刚体运动具有等变性。使用 3D 欧几里得空间上的标量场、向量场和张量场来表示数据，并使用等变卷积在这些表示之间映射。实验结果验证了 3D Steerable CNN 对氨基酸倾向预测和蛋白质结构分类等问题的有效性，这些问题均具有 SE（3）对称性。

    Jul, 2018

  • 关于旋转等变点云网络的普适性

    研究点云上函数学习的神经网络结构具有形状不变性，首先推导出两个充分条件以获得普适逼近性能，在此基础上设计了两个新的普适网络结构。

    Oct, 2020

  • 用于三维点云分析的等变点网络

    本文提出了一个有效的 SE（3）网络，它是针对点云分析领域中 3D 形状对齐任务而设计的，可以利用等变特征来提高性能并解决相对较少探索的旋转等变特征对 3D 形状对齐任务的处理问题。我们采用一个新的框架 SE (3) 可分点卷积来降低计算成本，并在网络中引入一个注意力层来有效地利用等变特征的表达能力。通过广泛的研究和视觉解释，实证结果表明，我们提出的模型在各种基准测试中优于强基线。

    Mar, 2021

  • CubeNet: 三维旋转和平移等变性

    介绍了一种 3D 旋转等变 CNN (CubeNet)，该网络通过保留 3D 形状的全局和局部特征，有助于维护体素化对象的有意义表示，并能解释输入之间的姿态差异。应用于各种 3D 推断问题中，在 ModelNet10 分类挑战赛上实现了最先进的性能，并在 ISBI 2012 Connectome 分割基准测试中实现了可比性能。

    Apr, 2018

  • 3D 旋转等变性四元数神经网络

    本文提出了一组规则，将各种神经网络修改为旋转等变四元数神经网络（REQNN），以处理 3D 点云。 REQNN 确保中间层特征对输入点的排列具有不变性，并表现出更高的旋转鲁棒性。

    Nov, 2019

  • SE (3)-Transformers：三维旋转平移等变注意力网络

    本文介绍了 SE (3)-Transformer，一种用于 3D 点云和图形的自我注意模块，它在连续 3D 旋转变换下具有等变性。SE (3)-Transformer 利用自我注意的好处来处理点云和图形，同时保证了 SE (3)- 等变性，从而提高了模型的稳健性和预测性能。本文的模型在多个数据集上均取得了竞争性能，超过了一个强的非等变的基准模型和一个等变的模型没有注意力。

    Jun, 2020

  • 旋转等变向量场网络

    本文中，我们提出了旋转等变向量场网络（RotEqNet），这是一种卷积神经网络（CNN）体系结构，可以编码旋转等变性、不变性和协方差性，并在图像分类、生物医学图像分割、方向估计和拼接匹配等多个问题上进行了测试。结果表明，相较于许多数量级更大的网络，RotEqNet 可以提供非常紧凑的模型，并提供与后者类似的结果。

    Dec, 2016

  • 使用旋转等变特征的曲面上的 CNN

    该论文提出了一种用于表面的网络架构，其中包含旋转等变的特征，以解决运输滤波器核时出现的旋转歧义问题。基于圆谐函数的卷积滤波器在离散层次上具有旋转等变性，将该方法应用于三角网中，并在形状对应和分类任务上进行了评估。

    Jun, 2020

  • 矢量神经元：一个针对 SO (3)- 等变网络的通用框架

    本文介绍了一种基于向量神经元的通用框架，用于创建点云处理的 SO（3）- 等变神经网络。通过扩展神经元从 1D 标量到 3D 向量，向量神经元使得我们可以将 SO（3）操作简单地映射到潜在空间中，从而提供了构建常见神经操作的等变性的框架，尽管方法简单，但在准确性和泛化性方面表现出色，是处理任意姿态下的几何输入的一种有效方法。

    Apr, 2021

  • 点云识别的离散旋转等变性

    该论文提出了一种深度学习架构，能够在点云识别中实现离散的 SO（2）/SO（3）旋转等变性，通过消除置换并进行操作，提升了任何现有点云网络的性能，并在各种旋转下，展示了分类任务的最新成果。

    Mar, 2019