旋转等变自注意球面向量网络：三维网格与全景分割新突破

"球形向量网络：三维网格分类和全景图像分割" 本文探讨了在处理球形数据，如行星数据、激光雷达扫描和三维物体数字化时所面临的挑战。传统方法通常将球形信号投影到二维平面上，然后使用卷积神经网络(CNN)进行处理，但这会导致投影失真和对平移的不等变性，从而降低算法性能。针对这一问题，作者提出了一个名为球形向量网络（Spherical Vector Network, SVN）的新架构，结合了旋转等变自注意机制，旨在学习部分-整体的关系，减少失真影响。 在SVN中，球形卷积网络（Spherical Convolutional Neural Network, SCNN）作为前端网络，用于提取初步的向量特征。这些向量随后通过旋转等变自注意模块进行处理，该模块能够在保持旋转不变性的前提下，捕捉不同部分之间的相互依赖关系。这有助于生成能够表示对象存在概率和方向的高级向量特征。 实验结果在两个不同的数据集上展示了该方法的有效性。在刚性物体的ModelNet40数据集上，当训练集不旋转而测试集任意旋转时，该方法提高了前端网络的三维网格分类精度9%。而在非刚性的SHREC15数据集上，3D网格分类精度提升了12.2%。此外，对于球形图像的语义分割任务，与现有方法相比，该方法在平均像素精度和平均交并比（IoU）上分别提升了2.2%和1.3%，显示出在球形图像分析上的优越性能。 这篇研究强调了处理球形数据的必要性，并提供了新的解决方案。通过旋转等变自注意机制，SVN能够更好地适应球形数据的特性，减少了由投影引起的失真，提高了三维网格分类和全景图像分割任务的准确性。这项工作为未来在球形领域的计算机视觉应用提供了有价值的理论和技术支持。