在三维视觉任务中,三维目标的未知旋转会给任务带来挑战,现有的部分神经网络框架对经过未知旋转后的三维目标进行识别或分割较为困难.针对上述问题,提出一种基于自监督学习方式的矢量型球面卷积网络,用于学习三维目标的旋转信息,以此来...在三维视觉任务中,三维目标的未知旋转会给任务带来挑战,现有的部分神经网络框架对经过未知旋转后的三维目标进行识别或分割较为困难.针对上述问题,提出一种基于自监督学习方式的矢量型球面卷积网络,用于学习三维目标的旋转信息,以此来提升分类和分割任务的表现.首先,对三维点云信号进行球面采样,映射到单位球上;然后,使用矢量球面卷积网络提取旋转特征,同时将随机旋转后的三维点云信号输入相同结构的矢量球面卷积网络提取旋转特征,利用自监督网络训练学习旋转信息;最后,对随机旋转的三维目标进行目标分类实验和部分分割实验.实验表明,所设计的网络在测试数据随机旋转的情况下,在ModelNet40数据集上分类准确率提升75.75%,在ShapeNet数据集上分割效果显著,交并比(Intersection over union,IoU)提升51.48%.展开更多
文摘在三维视觉任务中,三维目标的未知旋转会给任务带来挑战,现有的部分神经网络框架对经过未知旋转后的三维目标进行识别或分割较为困难.针对上述问题,提出一种基于自监督学习方式的矢量型球面卷积网络,用于学习三维目标的旋转信息,以此来提升分类和分割任务的表现.首先,对三维点云信号进行球面采样,映射到单位球上;然后,使用矢量球面卷积网络提取旋转特征,同时将随机旋转后的三维点云信号输入相同结构的矢量球面卷积网络提取旋转特征,利用自监督网络训练学习旋转信息;最后,对随机旋转的三维目标进行目标分类实验和部分分割实验.实验表明,所设计的网络在测试数据随机旋转的情况下,在ModelNet40数据集上分类准确率提升75.75%,在ShapeNet数据集上分割效果显著,交并比(Intersection over union,IoU)提升51.48%.
