A general framework for rotation invariant point cloud analysis

要約

我々は、ディープラーニングに基づく点群解析のための、入力の回転に不変な一般的手法を提案する。古典的な手法は、通常、整列された点群を入力とするため、回転に対して脆弱である。主成分分析（PCA）は回転不変性を達成するための実用的なアプローチである。しかし、理論と実用的なアルゴリズムの間にはまだギャップがある。本研究では、点群解析のための回転不変アルゴリズムの設計に関する徹底的な研究を行う。まず順列不変問題として定式化し、次に任意のバックボーンと組み合わせることができる一般的なフレームワークを提案する。本手法は、3D事前学習やマルチモーダル学習などのさらなる研究に有益である。実験によれば、本手法は一般的なベンチマークにおいて、最先端のアプローチと比較して同等以上の性能を持つ。コードはhttps://github.com/luoshuqing2001/RI_framework。

要約(オリジナル)

We propose a general method for deep learning based point cloud analysis, which is invariant to rotation on the inputs. Classical methods are vulnerable to rotation, as they usually take aligned point clouds as input. Principle Component Analysis (PCA) is a practical approach to achieve rotation invariance. However, there are still some gaps between theory and practical algorithms. In this work, we present a thorough study on designing rotation invariant algorithms for point cloud analysis. We first formulate it as a permutation invariant problem, then propose a general framework which can be combined with any backbones. Our method is beneficial for further research such as 3D pre-training and multi-modal learning. Experiments show that our method has considerable or better performance compared to state-of-the-art approaches on common benchmarks. Code is available at https://github.com/luoshuqing2001/RI_framework.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL