Pavlo Melnyk, Michael Felsberg, Mårten Wadenbäck, Andreas Robinson, Cuong Le
TL;DR提出了一种基于超球体和正则 n - 单纯形的学习 nD 特征使点云分析在正交转换下等变的方法。实验结果验证了该方法的理论贡献,并展示了深度等变超球体的实际应用潜力。
Abstract
This paper presents an approach to learning nD features equivariant under
orthogonal transformations for point cloud analysis, utilizing hyperspheres and
regular n-simplexes. Our main contributions are theoretica
论文提出通过多值球面函数和在球谐域中实现球面上的准确卷积来解决 3D 卷积神经网络中的 3D 旋转等变性问题,进而提供了一种局部对称且通过平滑的频谱实现本地化滤波器的方法,同时还实现了一种用于谱域的新型池化技术,这些操作使得网络不需要过多的容量和数据增强即可在标准检索和分类基准测试中与现有的最先进性能相当。