题目: Rotation Invariant Point Cloud Classification: Where Local Geometry Meets Global Topology. Arxiv 2020

特点: 别人的旋转不变只考虑了局部旋转不变特征,没有考虑全局旋转不变特征, 局部旋转特征有时候没办法分辨右图的点(相对距离、法向一样)

论文阅读: Rotation Invariant Point Cloud Classification: Where Local Geometry Meets Global Topology
方法: 两个branch分别提取局部和全局特征,再attention fuse
1)局部不变特征:由query点法向、以及与邻域点连线来构建坐标系,把坐标轴的差值和角度来构建旋转不变特征:
一共7个角度:
论文阅读: Rotation Invariant Point Cloud Classification: Where Local Geometry Meets Global Topology
分别由这7个向量对得到:
论文阅读: Rotation Invariant Point Cloud Classification: Where Local Geometry Meets Global Topology论文阅读: Rotation Invariant Point Cloud Classification: Where Local Geometry Meets Global Topology
论文阅读: Rotation Invariant Point Cloud Classification: Where Local Geometry Meets Global Topology

2)全局旋转不变特征: 先对原始点云下采样,再经过PCA转换后作为输入特征:
论文阅读: Rotation Invariant Point Cloud Classification: Where Local Geometry Meets Global Topology论文阅读: Rotation Invariant Point Cloud Classification: Where Local Geometry Meets Global Topology
论文里证明这个转换后的坐标是旋转不变的,其实存在问题,这个转换后的坐标可能反向
因为对于同一个矩阵求特征向量的时候特征向量可能相反,而论文里当做是相同的了。

3)Attention fuse: FGF_GFLF_L 分别代表两个支路提取的全局和局部特征
论文阅读: Rotation Invariant Point Cloud Classification: Where Local Geometry Meets Global Topology论文阅读: Rotation Invariant Point Cloud Classification: Where Local Geometry Meets Global Topology
网络结构:
论文阅读: Rotation Invariant Point Cloud Classification: Where Local Geometry Meets Global Topology
数据集: ModelNet40, ScanObjectNN, ShapeNet
实验结果:
ModelNet40:论文阅读: Rotation Invariant Point Cloud Classification: Where Local Geometry Meets Global Topology
ScanObjectNN:论文阅读: Rotation Invariant Point Cloud Classification: Where Local Geometry Meets Global Topology
ShapeNet:
论文阅读: Rotation Invariant Point Cloud Classification: Where Local Geometry Meets Global Topology
我对他的结果持一定的怀疑态度,因为我自己尝试使用PCA转换后的坐标作为输入时结果收旋转影响很大,不过我是训练时候没有用旋转增广,在测试时候加的SO(3)增广,还有使用方式也不同可能有一定影响。

总结:他主要还是延续了RIConv提出的思路,融合了全局特征而不仅仅是局部特征,可以看到效果提升也确实很大。

分类:

技术点:

相关文章: