一种用于点云的动态归约网络
计算机视觉与模式识别
2020-03-19 v1 机器学习
图像与视频处理
高能物理 - 实验
摘要
对整幅图像进行分类是机器学习中的经典问题，而图神经网络是学习高度不规则几何结构的强有力方法。在确定整体分类时，点云的某些部分往往比其余部分更重要。在图结构上，这始于在卷积滤波器末端汇聚信息，并已发展为静态图上的多种分阶段池化技术。本文引入了一种动态图形式的池化，消除了对预定图结构的需求。其通过中间聚类动态学习数据间最重要的关系来实现这一点。该网络架构在表示规模与效率方面产生了有趣的结果，并且可轻松适配从图像分类到高能粒子物理中能量回归的大量任务。
引用
@article{arxiv.2003.08013,
title = {A Dynamic Reduction Network for Point Clouds},
author = {Lindsey Gray and Thomas Klijnsma and Shamik Ghosh},
journal= {arXiv preprint arXiv:2003.08013},
year = {2020}
}
备注
4 pages, 2 figures, to be updated