DV-ConvNet：基于动态体素化与三维分组卷积的点云全卷积深度学习网络
计算机视觉与模式识别
2021-07-28 v2
摘要
由于组成点的随机性与稀疏性，三维点云解析是一项具有挑战性的任务。许多近期提出的方法如 PointNet 与 PointCNN 一直聚焦于从点坐标作为逐点输入特征学习形状描述，这通常涉及复杂的网络架构。在本工作中，我们将注意力重新拉回到标准三维卷积，以实现高效的三维点云解析。与其他基于体素的方法将整个点云转换为体素表示不同，我们仅在各卷积层内必要位置通过动态体素化操作以自适应体素化分辨率即时对点云的子部分进行体素化。此外，我们将三维分组卷积融入稠密卷积核实现中，以进一步挖掘点云的旋转不变特征。得益于其简单的全卷积架构，我们的网络能够以相当快的速度运行并收敛，同时在多个基准数据集上取得与最先进方法相当甚至更优的性能。
引用
@article{arxiv.2009.02918,
title = {DV-ConvNet: Fully Convolutional Deep Learning on Point Clouds with Dynamic Voxelization and 3D Group Convolution},
author = {Zhaoyu Su and Pin Siang Tan and Junkang Chow and Jimmy Wu and Yehur Cheong and Yu-Hsing Wang},
journal= {arXiv preprint arXiv:2009.02918},
year = {2021}
}