复合卷积：一种用于三维点云深度学习的灵活算子
计算机视觉与模式识别
2024-10-16 v2 机器学习
摘要
深度神经网络需要特定的层来处理点云，因为三维点的分散和不规则位置阻碍了常规卷积滤波器的使用。我们引入复合层，作为处理三维点云的现有卷积算子的一种灵活且通用的替代方案。我们设计的复合层从点的坐标中提取并压缩空间信息，然后将其与特征向量结合。与 ConvPoint 和 KPConv 等主流点卷积层相比，我们的复合层保证了网络设计中更大的灵活性，并提供了一种额外的正则化形式。为证明复合层的通用性，我们定义了卷积复合层和以非线性方式组合空间信息与特征的聚合版本，并使用这些层实现了 CompositeNets。我们在合成和真实世界数据集上的实验表明，在分类、分割和异常检测中，我们的 CompositeNets 均优于采用相同序列架构的 ConvPoint，并取得了与具有更深残差架构的 KPConv 相似的结果。此外，我们的 CompositeNets 在点云异常检测中取得了最先进的性能。我们的代码公开于 \url{https://github.com/sirolf-otrebla/CompositeNet}。
引用
@article{arxiv.2209.11796,
title = {Composite Convolution: a Flexible Operator for Deep Learning on 3D Point Clouds},
author = {Alberto Floris and Luca Frittoli and Diego Carrera and Giacomo Boracchi},
journal= {arXiv preprint arXiv:2209.11796},
year = {2024}
}
备注
Revised and accepted for publication on Pattern Recognition on 29 April 2024