PPF-FoldNet: Unüberwachtes Lernen rotationsinvarianter 3D-lokaler Deskriptoren

Wir stellen PPF-FoldNet vor, ein Verfahren für das unüberwachte Lernen von 3D-lokalen Deskriptoren auf reinen Punktwolkengeometrien. Basierend auf der faltenbasierten Auto-Codierung bekannter Punktpaarmerkmale bietet PPF-FoldNet zahlreiche wünschenswerte Eigenschaften: Es erfordert weder Überwachung noch einen empfindlichen lokalen Referenzrahmen, profitiert von der Sparsamkeit von Punktmengen, ist end-to-end, schnell und kann mächtige rotationsinvariante Deskriptoren extrahieren. Dank einer neuen Merkmalsvisualisierung kann seine Entwicklung überwacht werden, um interpretierbare Erkenntnisse zu liefern. Unsere umfangreichen Experimente zeigen, dass unser Netzwerk trotz sechs Freiheitsgraden Invarianz und dem Fehlen von Trainingslabels in Standard-Benchmark-Datensätzen Spitzenleistungen erzielt und seine Konkurrenten bei Rotationen und variablen Punktdichten übertrifft. PPF-FoldNet erreicht eine 9 % höhere Rückrufrate in Standard-Benchmarks, eine 23 % höhere Rückrufrate, wenn Rotationen in die gleichen Datensätze eingeführt werden, und schließlich einen Vorsprung von >35 %, wenn die Punktdichte stark abnimmt.