LRC-Net：通过编码局部区域上下文在点云上学习判别性特征
计算机视觉与模式识别
2020-03-24 v2
摘要
直接在三维形状理解的点云上学习判别性特征仍然具有挑战性。现有方法通常将点云划分为局部区域集合，然后用固定尺寸的 CNN 或 MLP 提取局部区域特征，最后通过简单的最大池化将所有独立的局部特征聚合为全局特征。然而，由于采样点云的不规则性和稀疏性，仅使用固定尺寸滤波器和独立的局部特征整合难以编码局部区域的细粒度几何结构及其空间关系，这限制了学习判别性特征的能力。为此，我们提出一种新颖的局部区域上下文网络（Local-Region-Context Network, LRC-Net），通过同时编码局部区域内部及区域之间的细粒度上下文，在点云上学习判别性特征。LRC-Net 由两个主要模块组成。第一个模块称为区域内上下文编码，通过新颖的可变尺寸卷积滤波器捕捉每个局部区域内部的几何相关性。第二个模块称为区域间上下文编码，基于空间相似性度量整合局部区域之间的空间关系。实验结果表明，LRC-Net 在形状分类和形状分割应用中与最先进的方法具有竞争力。
引用
@article{arxiv.2003.08240,
title = {LRC-Net: Learning Discriminative Features on Point Clouds by Encoding Local Region Contexts},
author = {Xinhai Liu and Zhizhong Han and Fangzhou Hong and Yu-Shen Liu and Matthias Zwicker},
journal= {arXiv preprint arXiv:2003.08240},
year = {2020}
}
备注
To be published at GMP2020