Feb, 2023

PaRot:基于特征解耦和姿态恢复的小块旋转不变网络

HTML
PDF
TL;DR本研究介绍了一种新颖的Patch-wise Rotation-invariant网格，通过Feature Disentanglement实现旋转不变性，并且Propose了一个Rotation-Invariant Geometric Relation来还原每个Patch的相对位姿信息，在3D模型分类和部分分割任务方面实现了有竞争力的结果。
发现论文，激发创造
  • 旋转不变的点云分类方法：局部几何与全局拓扑相结合

    本文介绍了一种新的方法来实现点云数据的旋转不变性，使用局部几何特征和全局拓扑特征相结合的局部-全局表示网络。该网络使用多层感知器做注意力机制来融合两种旋转不变性特征，并在模型识别任务上取得了最先进的效果。

    Nov, 2019

  • 深度点云分析的旋转不变框架

    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

  • 具有多个等变对齐的旋转不变点卷积

    研究了3D点卷积中平移不变性和等变性的关系，并使用旋转等变对齐改进了卷积网络，实现了物体分类和语义分割方面的表现提升，减少平移不变和标准3D深度学习方法之间的差距。

    Dec, 2020

  • RIConv++：针对 3D 点云深度学习的有效旋转不变卷积

    本文提出一种简单且有效的卷积算子，通过设计强大的旋转不变特征来增强特征描绘能力，实现旋转不变性，并在真实和合成的点云分类、部分分割和形状检索实验中取得了挑战性旋转下的最先进精度。

    Feb, 2022

  • 姿态决定成败：基于姿态感知卷积的无歧义 3D 旋转不变学习

    本文提出了一种适用于旋转不变三维深度学习的新型方法，使用包含相对姿态信息的增强点对特征作为输入，并动态改变卷积核，从而通过以更轻量的方式介绍更多的局部姿态信息来解决全局信息损失问题，在形状分类和部件分割任务上超越了现有方法。

    May, 2022

  • 通过点云配准重新思考旋转不变性

    该论文从点云配准角度出发，提出一种三阶段框架实现旋转不变性学习，其中包括旋转不变性形状编码、对齐特征整合和深度特征配准等，用于旋转不变性的3D形状分类、部分分割和检索任务中。

    Dec, 2022

  • 旋转不变点云匹配变换器

    本文提出了RoITr，一个应用于点云匹配任务的旋转不变转换器，分别从局部和全局两个层面贡献，其中局部级别引入了嵌入PPF坐标的注意力机制，全局阶段则提出了一个旋转不变的跨帧自注意力机制，获得了远超现有方法的性能。

    Mar, 2023

  • 基于本地一致的旋转不变点云分析变换学习

    通过学习局部一致性变换和保留局部几何关系，我们在点形状分析中提出了一种具有旋转不变性的局部一致变换学习策略，并通过相对姿态恢复模块来解决中间层网络中相对姿态丢失的问题，实现了在形状分类和部分分割任务中具备任意旋转下的竞争性性能。

    Mar, 2024

  • PARE-Net: 基于位置感知的旋转等变网络用于稳健点云配准

    我们提出了一种新颖的位置感知旋变网络，用于高效、轻量级和鲁棒的注册。网络能够提供强大的模型归纳偏差，从而学习旋变/不变特征，同时解决了已提到的限制。此外，我们还提出了一种位置感知卷积，可以更好地学习局部结构的空间信息。代码可在此链接找到。

    Jul, 2024

  • RISurConv：用于3D点云分类与分割的旋转不变表面注意力增强卷积

    本文解决了3D点云深度学习中旋转不变性的不足，通过提出一种新颖的旋转不变架构来提高分类与分割的准确性。该方法利用局部三角表面构建，提取高度表达的旋转不变表面特性，并整合进命名为RISurConv的注意力增强卷积算子中，从而实现高精度的3D点云分析。

    Aug, 2024