Studio di CNNs sferiche per l'apprendimento di descrittori locali su Point Cloud.

Nell'ambito della Computer Vision assume sempre maggiore importanza la 3D Computer Vision. Diversi sono i task e le applicazioni della 3D CV, così come diverse sono le possibili rappresentazioni dei dati. Molti di questi task richiedono la ricerca di corrispondenze tra due o più scene\oggetti 3D. Queste corrispondenze vengono individuate tramite il paradigma di Feature Matching, composto da tre step: detection, description, matching. Le performance della pipe line di feature matching sono strettamente correlate alle tecniche utilizzate in fase di description. La creazione di descriptor compatti, informativi e invarianti alla rotazione è un problema tutt’altro che risolto in letteratura. Recentemente sono state proposte delle architetture basate su reti convoluzionali sferiche, per il calcolo di descrittori globali da utilizzare in task come shape classification. Questi approcci, grazie alla loro trattazione matematica, permettono di essere equivarianti alla rotazione. Lo scopo di questo elaborato di tesi è quello di fornire una panoramica dei metodi presenti allo stato dell’arte e proporre un’architettura basata su spherical cnns per apprendere un descrittore locale da usare su nuvole di punti.