面向 3D 点云图构建的任务特定特征学习
计算机视觉与模式识别
2022-09-05 v1
摘要
用深度学习方法处理 3D 点云并非易事。常见选择是使用图神经网络处理，但该框架涉及在数据点之间建立边，而这些点原本显式地互不相关。历史上提出了朴素且手工设计的方法，如 k 近邻（k-NN）或基于 xyz 特征的查询球点，其更多关注改进网络而非改进图。在本文中，我们提出一种更有原则的从 3D 点云构建图的方法。我们的方法基于对输入 3D 点云变换后执行 k-NN。该变换由一个具有可学习参数的多层感知机（MLP）完成，并通过反向传播与网络其余部分联合优化。我们还引入一种基于应力最小化的正则化方法，用以控制所学图与我们的基线（xyz 空间上的 k-NN）的距离。该框架在 ModelNet40 上测试，我们网络生成的图在总体准确率上以 0.3 个百分点优于基线。
引用
@article{arxiv.2209.00949,
title = {Learning task-specific features for 3D pointcloud graph creation},
author = {Elías Abad-Rocamora and Javier Ruiz-Hidalgo},
journal= {arXiv preprint arXiv:2209.00949},
year = {2022}
}