General Rotation Invariance Learning for Point Clouds via Weight-Feature Alignment

要約

2D 画像と比較して、3D 点群は回転に対してより敏感です。
特定のパターンを記述するポイント フィーチャは、回転変換に対して不変であることが期待されます。
3D 点群の回転不変学習に特化した最近の SOTA 作品が多数あります。
しかし、現在の回転不変法は、グローバル分布、つまりグローバル シーンと背景に依存しているため、オープン シーンの点群に対する一般化に欠けています。
出力のアクティベーションがパターンとその方向の関数であることを考慮すると、方向の影響を排除する必要があります。このホワイト ペーパーでは、ネットワークの重みを同じ 3D 空間に分布する点のセットと見なすことができるという考えに触発されています。
入力ポイントとして、特徴をネットワークの重みの主軸に合わせることにより、ローカルの不変参照フレーム (IRF) を構築するための重みと特徴のアライメント (WFA) を提案します。
当社の WFA アルゴリズムは、すべてのシーンの点群に対して一般的なソリューションを提供します。
WFA は、応答アクティビティがパターン一致度の必要十分条件であるという目標をモデルが達成することを保証します。
実際には、単一のオブジェクトと広い範囲のシーンの両方の点群で実験を行います。
結果は、私たちの方法が回転不変性学習と通常の方法の間のギャップをほとんど埋めていることを示唆しています。

要約(オリジナル)

Compared to 2D images, 3D point clouds are much more sensitive to rotations. We expect the point features describing certain patterns to keep invariant to the rotation transformation. There are many recent SOTA works dedicated to rotation-invariant learning for 3D point clouds. However, current rotation-invariant methods lack generalizability on the point clouds in the open scenes due to the reliance on the global distribution, \ie the global scene and backgrounds. Considering that the output activation is a function of the pattern and its orientation, we need to eliminate the effect of the orientation.In this paper, inspired by the idea that the network weights can be considered a set of points distributed in the same 3D space as the input points, we propose Weight-Feature Alignment (WFA) to construct a local Invariant Reference Frame (IRF) via aligning the features with the principal axes of the network weights. Our WFA algorithm provides a general solution for the point clouds of all scenes. WFA ensures the model achieves the target that the response activity is a necessary and sufficient condition of the pattern matching degree. Practically, we perform experiments on the point clouds of both single objects and open large-range scenes. The results suggest that our method almost bridges the gap between rotation invariance learning and normal methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google