用于点云推理的可变形滤波器卷积
计算机视觉与模式识别
2019-07-31 v1
摘要
点云是许多真实世界 3D 传感器的原生输出。为了借鉴 2D 卷积网络架构的成功，大多数流行的 3D 感知模型将点点云体素化，这可能导致局部几何细节的丢失且无法恢复。在本文中，我们提出了一种新颖的可学习卷积层，用于直接处理 3D 点云数据。我们不是将点离散化到固定体素中，而是使可学习的 3D 滤波器变形以匹配点云形状。我们提出将体素化骨干网络与我们的可变形滤波器层结合在 1）网络输入流和 2）输出预测层，以增强点级推理。我们在 LiDAR 语义分割上取得了最先进的结果，并在 LiDAR 目标检测上获得了显著的性能提升。
引用
@article{arxiv.1907.13079,
title = {Deformable Filter Convolution for Point Cloud Reasoning},
author = {Yuwen Xiong and Mengye Ren and Renjie Liao and Kelvin Wong and Raquel Urtasun},
journal= {arXiv preprint arXiv:1907.13079},
year = {2019}
}