基于子流形稀疏卷积网络的三维语义分割
计算机视觉与模式识别
2017-11-29 v1
摘要
卷积网络是分析图像、视频和三维形状等时空数据的事实标准。虽然其中部分数据天然稠密（例如照片），但许多其他数据源本质上是稀疏的。例子包括使用LiDAR扫描仪或RGB-D相机获得的三维点云。当应用于此类稀疏数据时，卷积网络的常规“稠密”实现效率很低。我们引入了新的稀疏卷积操作，旨在更高效地处理空间稀疏数据，并用它们开发了空间稀疏卷积网络。我们在涉及三维点云语义分割的两个任务上展示了所得模型（称为子流形稀疏卷积网络，SSCNs）的强劲性能。具体而言，我们的模型在近期一项语义分割竞赛的测试集上优于所有先前的SOTA方法。
引用
@article{arxiv.1711.10275,
title = {3D Semantic Segmentation with Submanifold Sparse Convolutional Networks},
author = {Benjamin Graham and Martin Engelcke and Laurens van der Maaten},
journal= {arXiv preprint arXiv:1711.10275},
year = {2017}
}
备注
arXiv admin note: text overlap with arXiv:1706.01307