评估 3D 形状分析方法对旋转不变性的稳健性

May, 2023

评估 3D 形状分析方法对旋转不变性的稳健性

Evaluating 3D Shape Analysis Methods for Robustness to Rotation Invariance

Supriya Gadi Patil, Angel X. Chang, Manolis Savva

TL;DR本文通过对 3D 形状描述符的健壮性进行分析来评估其在 SO (3) 旋转（形状建模的基础）下的性能，并针对此任务考虑了不同方法的特征提取和分类。研究表明，针对相对简单的场景深度学习无法解决较大旋转差异或高难度对的问题，但是将旋转不变性设计为特征编码可以使其具有旋转不变性。

Abstract

This paper analyzes the robustness of recent 3d shape descriptors to SO(3) rotations, something that is fundamental to shape modeling. Specifically, we formulate the task of rotated 3D object instance detection. To do so, we consider a database of 3D indoor scenes, where objects occur

3d shape descriptors rotation invariance feature extraction classification deep learning

发现论文，激发创造

旋转不变的随机特征为 3D 点云上的机器学习提供一个强大的基准

使用随机特征方法学习三维点云数据的旋转不变函数，达到与通用旋转不变神经网络相匹配或超过分子性质预测和形状分类任务性能的方法，同时比竞争的核方法具有数量级更小的预测延迟。

Jul, 2023

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

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

通过不变残差学习稳定一致地预测三维特征方向

本文提出了一种新颖的方法，通过将输入的 3D 点云的形状几何与语义学分离，来实现特征取向的稳定性和一致性，该方法将形状几何基于 SO（3）等变学习和形状语义基于 SO（3）不变残差学习相结合，通过校准 SO（3）等变定向假设来获得最终的特征定向。在实验中，该方法不仅展现出卓越的稳定性和一致性，而且在给定随机旋转输入的点云部分分割时也表现出最新的性能。

Jun, 2023

无监督学习有效的等变三维描述符

本文介绍了一种使用深度学习模式进行三维形状描述子学习的方法，在未定向输入数据的情况下创建坚固有力的旋转等变表示，并在测试时定义一个良好的规范方向。

Sep, 2019

RoRD: 旋转鲁棒的特征描述符和正交视图用于局部特征匹配

本文介绍了一种使用数据增强和正交视角投影学习不变性描述符的新框架，通过旋转保角本质的数据增强学习旋转不变性的本地描述符，并通过一种对特征匹配方法进行改进的技术以及新的自定义数据集进行了验证，在包括姿势估计和视觉位置识别等关键任务上提供了实用性能量的性能表现。

Mar, 2021

Triangle-Net：面向点云学习的鲁棒性

提出了一种基于图结构和神经网络的方法，能够同时实现旋转、平移、缩放的不变性以及点云稀疏程度的稳健性，此方法在模型识别与检索任务方面，其性能可显著提高。

Feb, 2020

3D 物体检测的旋转等变性

提出了一种具有对象级旋转等变性的 3D 物体检测器，EON，其通过旋转等变性悬挂设计来提取具有局部对象级空间支持并能够建模交叉对象上下文信息的等变特征，可应用于现代点云物体检测器，如 VoteNet 和 PointRCNN，以利用场景尺度下的物体旋转对称性，能够显著提高现有最先进 3D 物体检测器的表现。

Apr, 2022

自监督学习中使用变换器和自蒸馏的旋转不变三维点集特征

这篇论文提出了一种自我监督学习框架，用于从大量无标签的三维点集中学习准确且旋转不变的三维特征，通过分解输入的三维点集成多个全局尺度的区域，使用自注意机制优化这些区域，并将它们聚合成每个三维点集的表达性旋转不变特征。该框架使用自我蒸馏方法生成伪标签进行训练，同时结合多裁剪和切割混合的数据增强技术来增加训练数据的多样性。通过全面的评估，实验证明目前针对有监督学习设计的旋转不变深度神经网络结构在自我监督学习场景下不一定能够学习到准确的三维形状特征，而我们提出的算法学习到的旋转不变的三维点集特征比现有算法更准确。

Aug, 2023

旋转不变的三维点云局部到全局表征学习

本文提出了一种面对各种几何变换，特别是旋转的局部到全局表示学习算法，该算法利用基于图卷积神经网络的多级抽象构建描述符层次结构，以自底向上的方式对输入对象的旋转不变形状信息进行编码，并通过对三维点的随机采样有效地使学习到的表示对输入数据的变化具有鲁棒性。该算法在旋转增强的三维物体识别和分割基准测试上表现出最先进的性能。

Oct, 2020