基于几何先验的豪斯多夫点卷积
计算机视觉与模式识别
2020-12-25 v1
摘要
若无形状感知的响应，则难以用紧凑的核集高效刻画点云的三维几何。本文主张使用豪斯多夫距离作为一种形状感知的距离度量来计算点卷积响应。我们提出的技术称为豪斯多夫点卷积（HPC），具有形状感知能力。我们表明，HPC 构成了一种强大的点特征学习方法，仅使用四类几何先验作为核即可保持相当紧凑的表示。我们进一步开发了基于 HPC 的深度神经网络（HPC-DNN）。可通过调整网络权重以组合输入与核点集之间的最短距离来实现特定任务的学习。我们还通过设计用于多尺度特征编码的多核 HPC 实现了分层特征学习。大量实验表明，HPC-DNN 优于强大的点卷积基线（如 KPConv），在 S3DIS 和 SemanticKITTI 的语义分割任务上分别实现了 2.8% mIoU 和 1.5% 的性能提升。
引用
@article{arxiv.2012.13118,
title = {Hausdorff Point Convolution with Geometric Priors},
author = {Pengdi Huang and Liqiang Lin and Fuyou Xue and Kai Xu and Danny Cohen-Or and Hui Huang},
journal= {arXiv preprint arXiv:2012.13118},
year = {2020}
}
备注
10 pages, 8 figures