CVPRMar, 2023

旋转不变点云匹配变换器

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 无人机中旋转不变的物体识别变压器

    我们提出了一种新颖的旋转不变视觉变形器（RotTrans），利用视觉变形器的结构特点，在高级特征的基础上建立不变度约束，以增强模型对大旋转差异的鲁棒性。在最新的 UAV 数据集上，我们的模型表现优于现有的最先进技术，其 mAP 和 Rank1 值分别比最高值提高了 5.9% 和 4.8%。值得注意的是，我们的模型在传统城市摄像头上的人物再识别任务中也取得了竞争优势，在 ICCV 2021 年举办的多模式视频推理与分析比赛的基于 UAV 的人物重新识别赛道上获得第一名。

    Nov, 2023

  • 3D 点云迭代变换网络

    提出了使用迭代变换网络 (IT-Net) 模块来完成无完整对象模型的局部点云的姿态估计，进而在形状分类和物体部分分割等任务上实现了卓越的性能。

    Nov, 2018

  • GeoTransformer: 快速且鲁棒的点云配准算法与几何变换

    本论文研究了点云配准中准确提取对应关系的问题，通过绕过重复关键点的检测，利用超点实现了匹配，并提出了一种名为几何变换器（GeoTransformer）的方法来学习几何特征，从而使得在低重叠情况下具有鲁棒性。实验证明该方法在各种测试场景下都表现出了显著的准确性和效率。

    Jul, 2023

  • PTTR: 基于 Transformer 的三维点云目标追踪

    本文介绍了 Point Tracking Transformer (PTTR) 模型，该模型通过关系感知采样，点关系变换器和预测细化模块实现了点云单物体跟踪，并且在 Waymo 开放数据集上取得了卓越的准确性和效率。

    Dec, 2021

  • 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

  • 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

  • REGTR: 基于 Transformer 的端到端点云对应

    该论文提出了一种新的端到端方法来直接预测配准操作中的对应点，利用 transformer 网络结构中的自注意力和交叉注意力机制来替代传统的特征匹配和 RANSAC 算法，该方法在 3DMatch 和 ModelNet 基准上均取得了最先进的成绩。

    Mar, 2022

  • 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

  • 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