LatticeNet：基于置换晶格的快速点云分割
计算机视觉与模式识别
2020-08-18 v3 机器学习
图像与视频处理
机器学习
摘要
深度卷积神经网络（CNNs）在图像语义分割任务中展现出卓越性能。然而，由于繁重的内存需求与缺乏结构化数据，将相同方法应用于3D数据仍具挑战。本文提出LatticeNet，一种以原始点云为输入的3D语义分割新方法。PointNet描述局部几何，我们将其嵌入稀疏置换晶格中。该晶格支持快速卷积，同时保持较低内存占用。此外，我们引入DeformSlice，一种新颖的、学习得到的数据相关插值方法，用于将晶格特征投影回点云。我们在多个数据集上展示了3D分割结果，本方法达到了最先进的性能。
引用
@article{arxiv.1912.05905,
title = {LatticeNet: Fast Point Cloud Segmentation Using Permutohedral Lattices},
author = {Radu Alexandru Rosu and Peer Schütt and Jan Quenzel and Sven Behnke},
journal= {arXiv preprint arXiv:1912.05905},
year = {2020}
}