DensePoint：学习稠密上下文表示以实现高效点云处理
计算机视觉与模式识别
2019-09-10 v1 人工智能
图形学
机器人学
摘要
点云处理极具挑战性，因为由不规则点构成的多样形状往往难以区分。透彻把握难以捉摸的形状需要充分的上下文语义信息，然而极少有工作致力于此。本文提出DensePoint，一种用于点云处理、学习稠密上下文表示的通用架构。从技术上讲，它通过推广卷积算子将规则网格CNN扩展到不规则点配置，该算子保持点的置换不变性，并实现局部模式的高效归纳学习。在架构上，它从稠密连接模式中获得启发，在深层层次中重复聚合多层级与多尺度语义。因此，稠密上下文信息与丰富语义可由DensePoint以有机方式获取，使其非常有效。在四个任务上具有挑战性的基准测试上的大量实验以及详尽的模型分析，验证了DensePoint达到了SOTA（state of the arts，最优性能）。
引用
@article{arxiv.1909.03669,
title = {DensePoint: Learning Densely Contextual Representation for Efficient Point Cloud Processing},
author = {Yongcheng Liu and Bin Fan and Gaofeng Meng and Jiwen Lu and Shiming Xiang and Chunhong Pan},
journal= {arXiv preprint arXiv:1909.03669},
year = {2019}
}
备注
Accepted to ICCV 2019. 15 pages, 8 figures, 16 tables