关于旋转等变点云网络的普适性
本文介绍了一种特殊的函数集合,用于近似任何连续旋转同变和置换不变函数,提出了一种新颖的神经网络结构来处理 2D 点云,并证明了其具有近似这些对称性的函数的普适性。还展示了如何扩展该结构以接受一组 2D-2D 对应作为输入,同时保持类似的同变性质,并在立体视觉中的基本矩阵估计上进行了实验。
Nov, 2021
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。
Feb, 2018
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
我们将神经网络的普适逼近定理推广到对于线性表示组不变或等变的映射,以建立一种像网络一样的计算模型,能够在能够逼近任何连续不变 / 等变映射的同时保持不变 / 等变。我们提出了完备的不变 / 等变网络的构造,通过引入中间多项式层,通过 Hilbert 和 Weyl 的定理证明了我们的构造方法。我们提出了适用于 SE(2)群的 “电荷守恒卷积” 模型,并证明其是连续 SE(2)等变信号变换的通用逼近器。
Apr, 2018
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
本文提出了一种新的低层纯旋转不变表示,以替代常见的 3D 笛卡尔坐标作为神经网络的输入,并介绍了一种网络结构来将这些表示嵌入为特征,编码点与邻居之间以及全局形状结构之间的局部关系,并通过区域关系卷积来编码局部和非局部信息以缓解因旋转不变表示引起的全局信息丢失。在多个点云分析任务上评估我们的方法,包括形状分类、部件分割和形状检索,实验结果表明与现有技术相比,我们的方法在任意方向上的输入上实现了一致且最佳的性能。
Mar, 2020
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
本文提出了一种基于等变特征学习和隐式形状模型的无对应点云旋转配准方法,可实现无需数据关联、在特征空间中闭式求解和对噪声鲁棒。实验结果表明,该方法优于现有基于深度学习的无对应点云配准方法。
Jul, 2021
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