Flex-Convolution（超越网格世界的百万级点云学习）
计算机视觉与模式识别
2020-04-16 v4
摘要
传统卷积层专门设计用于利用图像的自然数据表示——固定且规则的网格。然而，包含不规则邻域的非结构化数据（如 3D 点云）不断打破基于网格的数据假设。因此，将 2D 图像学习方法中的最佳实践和设计选择应用于点云处理并非易事。在这项工作中，我们引入了传统卷积层的一种自然推广 flex-convolution，并提供了高效的 GPU 实现。我们证明了在较小的基准集上，使用更少的参数和更低的内存消耗即可实现具有竞争力的性能，并在百万级真实世界数据集上获得了显著提升。我们的方法是首个能够高效并发处理 700 万个点的方法。
引用
@article{arxiv.1803.07289,
title = {Flex-Convolution (Million-Scale Point-Cloud Learning Beyond Grid-Worlds)},
author = {Fabian Groh and Patrick Wieschollek and Hendrik P. A. Lensch},
journal= {arXiv preprint arXiv:1803.07289},
year = {2020}
}
备注
accepted at ACCV 2018