AGConv：面向三维点云的自适应图卷积
计算机视觉与模式识别
2023-01-11 v2
摘要
三维点云上的卷积在几何深度学习中得到广泛研究，但远未完善。传统卷积智慧在点之间无差别地刻画特征对应关系，带来了特征区分性学习不佳的固有局限。本文提出自适应图卷积（AGConv），用于点云分析的广泛应用。AGConv根据动态学习的特征为各点生成自适应卷积核。与使用固定/各向同性卷积核的方案相比，AGConv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，AGConv将自适应性的实现置于卷积操作内部，而非简单地为邻域点分配不同权重。大量评测清晰表明，我们的方法在多个基准数据集上优于点云分类与分割的现有最优方法（SOTA）。同时，AGConv可灵活服务于更多点云分析方法以提升其性能。为验证其灵活性与有效性，我们探索了基于AGConv的补全、去噪、上采样、配准与圆形提取范式，其表现可与竞争对手媲美甚至更优。我们的代码见 https://github.com/hrzhou2/AdaptConv-master。
引用
@article{arxiv.2206.04665,
title = {AGConv: Adaptive Graph Convolution on 3D Point Clouds},
author = {Mingqiang Wei and Zeyong Wei and Haoran Zhou and Fei Hu and Huajian Si and Zhilei Chen and Zhe Zhu and Jingbo Qiu and Xuefeng Yan and Yanwen Guo and Jun Wang and Jing Qin},
journal= {arXiv preprint arXiv:2206.04665},
year = {2023}
}
备注
arXiv admin note: substantial text overlap with arXiv:2108.08035