S3I-PointHop: SO(3)-Invariant PointHop for 3D Point Cloud Classification

要約

多くの点群分類方法は、データセット内のすべての点群が正準軸に適切に配置されているため、3D デカルト点座標を使用して特徴を学習できるという前提で開発されています。
入力点群が整列していない場合、分類のパフォーマンスは大幅に低下します。
この作業では、PointHop と呼ばれる数学的に透過的な点群分類方法に焦点を当て、ポーズの変化による失敗の理由を分析し、そのポーズ依存モジュールを回転不変の対応するモジュールに置き換えることで問題を解決します。
提案された方法は、SO(3)-Invariant PointHop (または略して S3I-PointHop) と呼ばれます。
また、単一ホップを 1 つだけ使用し、複数の空間集約手法を使用して、PointHop パイプラインを大幅に簡素化します。
より多くの空間情報を活用するというアイデアは斬新です。
ModelNet40 データセットでの実験は、S3I-PointHop が従来の PointHop のような方法よりも優れていることを示しています。

要約(オリジナル)

Many point cloud classification methods are developed under the assumption that all point clouds in the dataset are well aligned with the canonical axes so that the 3D Cartesian point coordinates can be employed to learn features. When input point clouds are not aligned, the classification performance drops significantly. In this work, we focus on a mathematically transparent point cloud classification method called PointHop, analyze its reason for failure due to pose variations, and solve the problem by replacing its pose dependent modules with rotation invariant counterparts. The proposed method is named SO(3)-Invariant PointHop (or S3I-PointHop in short). We also significantly simplify the PointHop pipeline using only one single hop along with multiple spatial aggregation techniques. The idea of exploiting more spatial information is novel. Experiments on the ModelNet40 dataset demonstrate the superiority of S3I-PointHop over traditional PointHop-like methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google