PPF-FoldNet : Apprentissage non supervisé de descripteurs locaux 3D invariants par rotation

Nous présentons PPF-FoldNet pour l'apprentissage non supervisé de descripteurs locaux 3D basé sur la géométrie pure des nuages de points. En s'appuyant sur l'auto-encodage par pliage des caractéristiques de paires de points bien connues, PPF-FoldNet offre de nombreuses propriétés souhaitables : il n'a pas besoin de supervision ni d'un référentiel local sensible, il bénéficie de la rareté des ensembles de points, est entièrement intégré (end-to-end), rapide et peut extraire des descripteurs invariants par rotation puissants. Grâce à une nouvelle visualisation des caractéristiques, son évolution peut être surveillée pour fournir des insights interprétables. Nos expériences approfondies démontrent que malgré son invariance à six degrés de liberté et l'absence d'étiquettes d'entraînement, notre réseau atteint des résultats d'avant-garde dans les jeux de données standards et surpasse ses concurrents en présence de rotations et de densités ponctuelles variables. PPF-FoldNet obtient un taux de rappel $9\%$ plus élevé sur les benchmarks standards, un taux de rappel $23\%$ plus élevé lorsque des rotations sont introduites dans les mêmes jeux de données, et enfin, une marge supérieure à $35\%$ est atteinte lorsque la densité ponctuelle est considérablement réduite.