链接动态图 CNN：通过链接层次特征在点云上学习
计算机视觉与模式识别
2019-08-07 v2
摘要
点云是一种常见的几何数据，并能帮助机器人稳健地理解环境，因此点云上的学习需求迫切。然而，点云具有稀疏、非结构化和无序的特性，传统卷积神经网络（CNN）或循环神经网络（RNN）均无法准确识别。幸运的是，图卷积神经网络（Graph CNN）能够处理稀疏和无序数据。因此，本文提出一种链接动态图 CNN（LDGCNN）来直接对点云进行分类与分割。我们去除变换网络，从动态图中链接层次特征，冻结特征提取器，并重新训练分类器以提升 LDGCNN 的性能。我们通过理论分析与可视化解释我们的网络。实验表明，所提出的 LDGCNN 在两个标准数据集 ModelNet40 和 ShapeNet 上达到了最先进的性能。
引用
@article{arxiv.1904.10014,
title = {Linked Dynamic Graph CNN: Learning on Point Cloud via Linking Hierarchical Features},
author = {Kuangen Zhang and Ming Hao and Jing Wang and Clarence W. de Silva and Chenglong Fu},
journal= {arXiv preprint arXiv:1904.10014},
year = {2019}
}