FA-KPConv: Introducing Euclidean Symmetries to KPConv via Frame Averaging

要約

3Dポイントクラウド分析のために広く採用されているバックボーンである、よく知られているKPCONVの上に構築されたニューラルネットワークアーキテクチャであるカーネルポイント畳み込み（FA-KPCONV）のフレーム平均化を提示します。
多くの一般的なタスクでは、ユークリッドの変換への不変性および/または等掘りが必要ですが、KPCONVベースのネットワークは、大規模なデータセットでトレーニングまたは重要なデータ増強を行うときにのみ、そのようなプロパティをほぼ達成できます。
フレーム平均化を使用して、KPCONVレイヤーで構築されたポイントクラウドニューラルネットワークを柔軟にカスタマイズできます。それらは、入力ポイントクラウドの翻訳、回転、および/または反射に正確に不変および/または同等にすることにより、それらを柔軟にカスタマイズできます。
FA-KPCONVは、既存のKPCONVベースのネットワークを単純に包むだけで、学習可能なパラメーターの数を維持し、入力情報を侵害しないように、幾何学的な事前知識を埋め込みます。
特に希少なトレーニングデータやランダムに回転したテストデータなどの困難なケースで、ポイントクラウド分類とポイントクラウド登録のためにこのような導入されたバイアスの利点を紹介します。

要約(オリジナル)

We present Frame-Averaging Kernel-Point Convolution (FA-KPConv), a neural network architecture built on top of the well-known KPConv, a widely adopted backbone for 3D point cloud analysis. Even though invariance and/or equivariance to Euclidean transformations are required for many common tasks, KPConv-based networks can only approximately achieve such properties when training on large datasets or with significant data augmentations. Using Frame Averaging, we allow to flexibly customize point cloud neural networks built with KPConv layers, by making them exactly invariant and/or equivariant to translations, rotations and/or reflections of the input point clouds. By simply wrapping around an existing KPConv-based network, FA-KPConv embeds geometrical prior knowledge into it while preserving the number of learnable parameters and not compromising any input information. We showcase the benefit of such an introduced bias for point cloud classification and point cloud registration, especially in challenging cases such as scarce training data or randomly rotated test data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google