用于点云特征学习的快速分层神经网络
计算机视觉与模式识别
2019-06-11 v1
摘要
依赖 3D 点云的分析是一项极其复杂的任务，常涉及数百万个点，且因许多实时应用（如自动驾驶车辆）而需要计算高效的算法。然而，点云本质上是非规则的，且点稀疏分布于非欧几里得空间中，通常需逐点处理以获得高性能。尽管卷积神经网络（CNNs）中的共享滤波矩阵与池化层能够同时降低问题维度并提取高层信息，但其输入要求网格和高度规则的数据格式。为平衡模型性能与复杂度，我们引入一种新颖的神经网络架构，利用手动下采样点集的局部特征。在我们的网络中，首先应用递归最远点采样方法以高效覆盖整个点集。随后，采用 k 近邻（knn）算法为每个下采样点组收集局部邻域。最后，对下采样点及连接对应点与邻域的边应用多层感知机（MLP）以提取局部特征。该架构已在 ModelNet40 与 ShapeNet part 数据集上测试了形状分类与分割，以表明与其他最先进算法相比，本网络在竞争性性能方面实现了最佳权衡。
引用
@article{arxiv.1906.04117,
title = {Fast Hierarchical Neural Network for Feature Learning on Point Cloud},
author = {Can Chen and Luca Zanotti Fragonara and Antonios Tsourdos},
journal= {arXiv preprint arXiv:1906.04117},
year = {2019}
}