用于点云分析的自适应图卷积
计算机视觉与模式识别
2021-08-20 v2
摘要
从 2D 网格域推广到 3D 点云上的卷积被广泛研究但远未完善。标准卷积在 3D 点之间无差别地刻画特征对应，呈现出区分性特征学习不佳的固有局限。本文中，我们提出自适应图卷积（AdaptConv），其根据点动态学习的特征为点生成自适应核。相较于使用固定/各向同性核，AdaptConv 提升了点云卷积的灵活性，有效且精确地捕捉来自不同语义部分的点之间的多样关系。与流行的注意力权重方案不同，所提 AdaptConv 将自适应性的实现置于卷积操作内部，而非简单地为邻点分配不同权重。大量定性与定量评估表明，我们的方法在多个基准数据集上优于最先进的点云分类与分割方法。我们的代码见 https://github.com/hrzhou2/AdaptConv-master。
引用
@article{arxiv.2108.08035,
title = {Adaptive Graph Convolution for Point Cloud Analysis},
author = {Haoran Zhou and Yidan Feng and Mingsheng Fang and Mingqiang Wei and Jing Qin and Tong Lu},
journal= {arXiv preprint arXiv:2108.08035},
year = {2021}
}
备注
Camera-ready, to be published in ICCV 2021