ICMLJun, 2023

通过不变残差学习稳定一致地预测三维特征方向

PDF
TL;DR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。
发现论文，激发创造
  • SRINet：用于点云分类和分割的严格旋转不变表征学习

    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

  • 评估 3D 形状分析方法对旋转不变性的稳健性

    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。

    May, 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

  • 通过方向估计进行点云的自监督学习

    本文提出了一种基于 3D 自监督学习的点云学习方法，通过旋转点云实现无标签的自我监督，在形状分类和 3D 关键点预测等任务上表现出色，学习到的特征优于其他自监督方法。

    Aug, 2020

  • 无对应点的点云配准与 SO (3) 等变隐式形状表示

    本文提出了一种基于等变特征学习和隐式形状模型的无对应点云旋转配准方法，可实现无需数据关联、在特征空间中闭式求解和对噪声鲁棒。实验结果表明，该方法优于现有基于深度学习的无对应点云配准方法。

    Jul, 2021

  • 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

  • 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

  • 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

  • 通过自监督的球形 CNN 学习定向表面

    本文提出了一种基于 Spherical CNNs 的自我监督训练的方法，能够学习并识别 3D 形状的标准方向，该方法被称为 Compass，并在多个公共数据集上实验，证明了其有效性。

    Nov, 2020

  • 通过诱导和限制表示进行等变单视角姿态预测

    从二维图像中学习关于三维世界的知识是计算机视觉中的一个基本问题，本文提出了一种学习三维表示的算法，满足几何一致性约束，并在三个姿态预测任务中取得了 SOTA 结果。

    Jul, 2023