用于点云分类的局部区域学习模块
计算机视觉与模式识别
2023-12-27 v2
摘要
通过形成局部区域进行数据组织是以分层方式处理三维点云的深度学习网络的重要组成部分。在每一层，对点云进行采样以提取代表性点，并将这些点用作局部区域的中心。局部区域的组织至关重要，因为它决定了特定特征聚合层的感受野的位置和大小。本文提出两个局部区域学习模块：中心偏移模块用于推断每个中心点的适当偏移，以及半径更新模块用于改变每个局部区域的半径。这些模块的参数通过优化端到端网络中特定任务相关的损失来学习。我们通过多种建模点云中三维点的特征与位置交互的方式为这些模块提供替代方案。我们将两个模块分别及共同集成到PointNet++和PointCNN物体分类架构中，并证明这些模块显著提升了由真实世界物体扫描组成的ScanObjectNN数据集的分类准确率。我们在ShapeNet数据集上的进一步实验表明，这些模块在三维CAD模型上同样有效。
引用
@article{arxiv.2303.17338,
title = {Local region-learning modules for point cloud classification},
author = {Kaya Turgut and Helin Dutagaci},
journal= {arXiv preprint arXiv:2303.17338},
year = {2023}
}