Deep RBFNet：基于径向基函数的点云特征学习
计算机视觉与模式识别
2019-04-09 v2
摘要
得益于 PointNet 及其扩展等有效的基于点云的学习框架的发展，三维物体识别近来取得了巨大进展。然而，现有方法严重依赖全连接层，引入了大量参数，使网络更难训练且易出现过拟合问题。本文中，我们提出一种简单而有效的点集特征学习框架，利用由径向基函数（RBF）核编码的非线性激活层。与无法识别局部点模式的 PointNet 变体不同，我们的方法通过聚合来自稀疏分布的 RBF 核的特征，显式建模点云的空间分布。典型的 RBF 核（如高斯函数）自然惩罚远距离响应，且仅被邻近点激活。这种局部化响应在不同点分布下生成高度可区分的特征。此外，我们的框架允许核分布与其感受野的联合优化，以端到端方式自动演化核配置。我们证明，所提出的带单个 RBF 层的网络在三维物体识别任务分类准确率上优于当前最优的 PointNet++。而且，非线性映射的引入显著减少了网络参数数量和计算成本，实现了显著更快的训练，以及在资源受限便携设备上的可部署点云识别方案。
引用
@article{arxiv.1812.04302,
title = {Deep RBFNet: Point Cloud Feature Learning using Radial Basis Functions},
author = {Weikai Chen and Xiaoguang Han and Guanbin Li and Chao Chen and Jun Xing and Yajie Zhao and Hao Li},
journal= {arXiv preprint arXiv:1812.04302},
year = {2019}
}
备注
Technical Report