用于点云学习的动态局部特征聚合
计算机视觉与模式识别
2023-01-10 v1
摘要
现有的点云学习方法依赖于在空间域中构建图来聚合邻域点的特征，这导致每个点的特征更新在各层中都基于空间固定的邻域。本文提出一种动态特征聚合（DFA）方法，可通过在特征域中构建局部图而不受空间约束地传递信息。通过在特征域中寻找 k 近邻，我们分别进行相对位置编码和语义特征编码以探索潜在的位置与特征相似度信息，从而学习到丰富的局部特征。同时，我们还从原始点云中学习低维全局特征以增强特征表示。在 DFA 层之间，我们动态更新所构建的局部图结构，从而能够学习更丰富的信息，大幅提升了适应性与效率。我们通过在 point cloud 分类与分割任务上进行大量实验证明了方法的优越性。实现代码见：https://github.com/jiamang/DFA。
引用
@article{arxiv.2301.02836,
title = {Dynamic Local Feature Aggregation for Learning on Point Clouds},
author = {Zihao Li and Pan Gao and Hui Yuan and Ran Wei},
journal= {arXiv preprint arXiv:2301.02836},
year = {2023}
}
备注
14 pages , 4 figures , submitted to Signal Processing:image communications