几何共享网络用于三维点云分类与分割
计算机视觉与模式识别
2019-12-24 v1
摘要
尽管近期使用深度 CNN 对三维点云进行分类取得了进展，但旋转和平移等大幅几何变换仍是具有挑战性的问题，并损害最终的分类性能。为应对这一挑战，我们提出几何共享网络(GS-Net)，它有效地学习具有整体上下文的点描述子，以增强对几何变换的鲁棒性。与之前在邻近点上执行卷积的三维点 CNN 相比，GS-Net 能以更全局的方式聚合点特征。具体而言，GS-Net 由几何相似连接(GSC)模块组成，这些模块利用特征图(Eigen-Graph)将具有相似且相关几何信息的远距点分组，并在欧氏空间和特征值空间中从最近邻聚合特征。该设计使 GS-Net 能高效捕获局部和整体几何特征，如对称性、曲率、凸性和连通性。理论上，我们证明了每个点在特征值空间中的最近邻对旋转和平移是不变的。我们在公开数据集 ModelNet40、ShapeNet Part 上进行了大量实验。实验表明，GS-Net 在主要数据集上达到了最先进的性能，在 ModelNet40 上为 93.3%，并且对几何变换更具鲁棒性。
引用
@article{arxiv.1912.10644,
title = {Geometry Sharing Network for 3D Point Cloud Classification and Segmentation},
author = {Mingye Xu and Zhipeng Zhou and Yu Qiao},
journal= {arXiv preprint arXiv:1912.10644},
year = {2019}
}