DRINet：一种用于点云分割的双表示迭代学习网络
计算机视觉与模式识别
2021-08-10 v1 机器人学
摘要
我们提出了一种新颖且灵活的点云分割架构，具有双表示迭代学习特性。在点云处理中，不同表示各有优劣。因此，在保持点云自身内部物理属性（如置换不变性与尺度不变性）的同时，寻找合适的表示点云数据结构的方式是一个基本问题。为此，我们提出了 DRINet，它作为双表示学习的基础网络结构，在特征传递上具有极大灵活性且计算开销更小，尤其适用于大规模点云。DRINet 主要由两个模块组成，称为稀疏点-体素特征提取与稀疏体素-点特征提取。通过迭代使用这两个模块，特征可在两种不同表示之间传播。我们进一步提出了一种新颖的多尺度池化层用于逐点局部性学习，以改善上下文信息传播。我们的网络在多个数据集上的点云分类与分割任务上取得了最先进（state-of-the-art）结果，同时保持了高运行效率。对于大规模室外场景，我们的方法以每帧 62ms 的实时推理速度优于最先进方法。
引用
@article{arxiv.2108.04023,
title = {DRINet: A Dual-Representation Iterative Learning Network for Point Cloud Segmentation},
author = {Maosheng Ye and Shuangjie Xu and Tongyi Cao and Qifeng Chen},
journal= {arXiv preprint arXiv:2108.04023},
year = {2021}
}
备注
Accepted by ICCV2021