局部区域学习网络：面向高效点云分析的有意义局部区域
计算机视觉与模式识别
2020-06-15 v1 机器学习
图像与视频处理
摘要
近年来利用深度神经网络进行点云分析的研究取得了快速进展。开创性工作 PointNet 提供了对点云的直接分析。然而，由于其架构，PointNet 无法捕捉局部结构。为克服这一缺陷，同一作者通过将 PointNet 应用于局部区域开发了 PointNet++。局部区域由中心点与它们的邻点定义。在 PointNet++ 及其后续发展中，中心点由最远点采样 (FPS) 算法确定。其缺点在于中心点通常不具有有意义的局部区域。本文中，我们引入神经局部区域学习网络 (LocAL-Net)，其重点在于局部区域的选择与表征。我们的方法学习关键点为中心点。为加强局部结构的识别，根据局部区域赋予点额外的度量属性。最后，我们推导并组合两个全局特征向量，一个来自整个点云，一个来自所有局部区域。在数据集 ModelNet10/40 与 ShapeNet 上的实验表明，LocAL-Net 在部件分割上具有竞争力。在分类上 LocAL-Net 优于当前最优方法 (SOTA)。
引用
@article{arxiv.2006.07226,
title = {Local-Area-Learning Network: Meaningful Local Areas for Efficient Point Cloud Analysis},
author = {Qendrim Bytyqi and Nicola Wolpert and Elmar Schömer},
journal= {arXiv preprint arXiv:2006.07226},
year = {2020}
}