Cloud-RAIN: 具有反射不变性的点云分析
我们提出了一种基于深度学习的点云分析通用方法,对输入具有旋转不变性。通过将其作为置换不变问题进行公式化,并提出了一个通用框架,可与任何骨干网络结合使用,我们的方法在常见基准测试中相较于最先进的方法表现出显著或更好的性能,对于 3D 预训练和多模态学习等进一步研究非常有益。
Feb, 2024
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
本文提出了一种新型的点云卷积运算符,实现了旋转不变性,通过使用旋转不变的几何特征设计点云学习的卷积运算符,解决了点排序问题,并将其作为神经网络的基本构建块,能在 6 自由度变换下具有稳健性,在物体分类和分割等任务中表现出高精度。
Aug, 2019
本文提出了一种点云学习框架 PRIN,其中通过密度感知自适应采样构造球形信号来处理球形空间中的扭曲点分布并利用球形体素卷积和点重新采样来提取每个点的旋转不变特征。该框架在物体分类、部分分割和 3D 特征匹配方面具有可应用性,并且在没有任何数据增强的情况下,在随机旋转的点云数据集上展现出比现有方法更好的性能。同时,本文提供了对通过该方法实现的旋转不变性的理论分析。
Nov, 2018
提出一种对点云数据具有旋转不变性的点投影特征方法,可以提取严格的点云识别和分割的旋转不变表示,无需数据增强,并且优于其他最先进的方法。
Nov, 2019
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
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
提出了一种名为 Aligned Edge Convolutional Neural Network (AECNN) 的神经网络,通过学习相对于局部参考框架的点云特征表示来实现旋转不变性,并在点云分类和部分分割任务中表现出比其他技术更强的鲁棒性,而不需要使用额外的数据增强。
Jan, 2021
本文提出了一个全新的点集学习框架 PRIN,即点式旋转不变网络,通过密度感知自适应抽样构建球形信号来解决点云在球形空间上的扭曲分布,运用球形体素卷积和点重采样来提取每个点的旋转不变特征,同时将 PRIN 扩展到一种稀疏版本 SPRIN,直接操作于稀疏点云。两种方法都适用于从对象分类、部分分割到三维特征匹配和标签对齐等任务,结果表明,对于随机旋转点云的数据集,SPRIN 实现了比最先进的方法更好的性能,且无需使用任何数据增强。我们还为方法实现的点式旋转不变性提供了深入的理论证明和分析。
Feb, 2021