用于点云分析的对偶邻域深度融合网络
计算机视觉与模式识别
2022-05-06 v4
摘要
近年来，深度神经网络在三维点云分类方面取得了显著成就。然而，现有分类方法主要在理想化点云上实现，在非理想化场景下性能严重下降。为解决此问题，本文提出一种特征表示学习方法，称为对偶邻域深度融合网络（DNDFN），作为用于非理想化点云分类任务的改进点云编码器。DNDFN利用一种称为TN-Learning的可训练邻域学习方法来捕获全局关键邻域。然后，将全局邻域与局部邻域融合，以帮助网络获得更强大的推理能力。此外，为DNDFN提出一种信息传输卷积（IT-Conv），用于学习点对之间的边缘信息并有益于特征传输过程。IT-Conv中的信息传输类似于图中的信息传播，使得DNDFN更接近于人类推理模式。在现有基准尤其是非理想化数据集上的大量实验验证了DNDFN的有效性，且DNDFN达到了当前最优（state of the art）性能。
引用
@article{arxiv.2108.09228,
title = {Dual-Neighborhood Deep Fusion Network for Point Cloud Analysis},
author = {Guoquan Xu and Hezhi Cao and Yifan Zhang and Jianwei Wan and Ke Xu and Yanxin Ma},
journal= {arXiv preprint arXiv:2108.09228},
year = {2022}
}
备注
ICMEW2022