point cloud models with neural network architectures have achieved great
success and have been widely used in safety-critical applications, such as
Lidar-based recognition systems in autonomous vehicles. However,
本文介绍了一个通用的对称化协议,用于向任何给定模型添加旋转等变性,同时保留所有其他约束条件。我们将此方法应用于 Point Edge Transformer(PET)体系结构,并展示其在多个分子和固体基准数据集上实现了最先进的性能。通过减轻模型内显式纳入旋转对称性的需要,我们的方法弥合了不同社区所使用的方法之间的差距,并简化了化学和材料建模的深度学习方案的设计。
本文提出了深度神经网络在 3D 点云数据上应用于安全关键领域,但对其鲁棒性的研究较少。作者提出了新的用于测试冲突鲁棒性的基准数据集,并给出了一种简单而有效的方法来降低现有模型在此数据集上的表现差距。作者通过实验发现了一些有关点云识别中鲁棒性的关键见解,例如在适当的训练下,基于 Transformer 的结构具有最强的鲁棒性。