3DContextNet：基于 K-d 树引导并利用局部与全局上下文线索的点云层次化学习
计算机视觉与模式识别
2018-12-05 v3
摘要
三维点云的分类与分割是计算机视觉中的重要任务。由于点云的不规则特性，现有多数方法将点云转换为规则的三维体素网格，再作为 ConvNets 的输入。遗憾的是，体素表示对三维数据的几何特性高度不敏感。更近的方法将点点云编码到更高维特征以覆盖全局三维空间，然而这些模型未能充分捕捉点云的局部结构。因此，本文提出一种利用 k-d 树所施加的局部与全局上下文线索的方法。该方法旨在沿树结构逐步学习表示向量。在具有挑战性的基准上的实验表明，所提模型提供了有判别力的点集特征。对于三维场景语义分割任务，我们的方法在 Stanford Large-Scale 3D Indoor Spaces Dataset (S3DIS) 上显著优于当前最优方法。
引用
@article{arxiv.1711.11379,
title = {3DContextNet: K-d Tree Guided Hierarchical Learning of Point Clouds Using Local and Global Contextual Cues},
author = {Wei Zeng and Theo Gevers},
journal= {arXiv preprint arXiv:1711.11379},
year = {2018}
}
备注
15 pages, 5 figures