用于点云分类的自适应分层下采样
计算机视觉与模式识别
2020-05-27 v2
摘要
尽管近期已提出若干类卷积算子用于从点云中提取特征，但深度神经网络中对无序点云的下采样尚未被严格研究。现有方法不论点对输出的的重要性而下采样点。结果，点云中的一些重要点可能被移除，而价值较低的点可能传入后续层。相反，自适应下采样方法通过考虑每个点的重要性来采样点，该重要性随应用、任务和训练数据而变化。本文提出一种置换不变、基于学习的自适应下采样层，称为关键点层（Critical Points Layer, CPL），它能在减少无序点云点数的同时保留重要点。与多数使用 -NN 搜索算法寻找邻点的基于图的点云下采样方法不同，CPL 是一种全局下采样方法，因而计算非常高效。所提层可与任何基于图的点云卷积层配合使用以构成卷积神经网络，本文称之为 CP-Net。我们引入一个用于 D 物体分类的 CP-Net，在 ModelNet 数据集上取得了基于点云的方法中的最佳准确率，验证了 CPL 的有效性。
引用
@article{arxiv.1904.08506,
title = {Adaptive Hierarchical Down-Sampling for Point Cloud Classification},
author = {Ehsan Nezhadarya and Ehsan Taghavi and Ryan Razani and Bingbing Liu and Jun Luo},
journal= {arXiv preprint arXiv:1904.08506},
year = {2020}
}