CRIN: Rotation-Invariant Point Cloud Analysis and Rotation Estimation via Centrifugal Reference Frame

要約

最近の様々な手法は、入力された点の座標を相対的な距離や角度に置き換えることで、回転不変の3Dディープラーニングを実現しようとしています。しかし、これらの低レベルの特徴量は不完全であるため、大域的な情報を失うという犠牲を払わなければならない。本論文では、CRIN、すなわちCentrifugal Rotation-Invariant Networkを提案します。CRINは点の座標を直接入力とし、遠心参照枠を介して局所点を回転不変な表現に変換する。遠心参照枠を用いることで、各点は離散的な回転に対応し、回転の情報を暗黙のうちに点の特徴に格納することができる。しかし、離散的な点は、回転空間全体を記述するのには程遠い。我々はさらに、点に基づく3次元回転の連続分布を導入する。さらに、回転に不変な点をサンプリングするために、注意に基づくダウンサンプリング戦略を提案する。最後に、サンプリングされた点間の長距離依存性を補強するために関係モジュールを採用し、教師なし回転推定のためのアンカーポイントを予測する。広範な実験により、本手法は回転不変性を達成し、オブジェクトの回転を正確に推定し、回転を強調した分類と部品分割において最先端の結果を得ることができた。また、アブレーション研究により、ネットワーク設計の有効性が検証された。

要約(オリジナル)

Various recent methods attempt to implement rotation-invariant 3D deep learning by replacing the input coordinates of points with relative distances and angles. Due to the incompleteness of these low-level features, they have to undertake the expense of losing global information. In this paper, we propose the CRIN, namely Centrifugal Rotation-Invariant Network. CRIN directly takes the coordinates of points as input and transforms local points into rotation-invariant representations via centrifugal reference frames. Aided by centrifugal reference frames, each point corresponds to a discrete rotation so that the information of rotations can be implicitly stored in point features. Unfortunately, discrete points are far from describing the whole rotation space. We further introduce a continuous distribution for 3D rotations based on points. Furthermore, we propose an attention-based down-sampling strategy to sample points invariant to rotations. A relation module is adopted at last for reinforcing the long-range dependencies between sampled points and predicts the anchor point for unsupervised rotation estimation. Extensive experiments show that our method achieves rotation invariance, accurately estimates the object rotation, and obtains state-of-the-art results on rotation-augmented classification and part segmentation. Ablation studies validate the effectiveness of the network design.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL