LSANet：基于局部空间感知层的点集特征学习
计算机视觉与模式识别
2019-06-21 v3
摘要
直接从点云学习特征已成为三维理解中的活跃研究方向。现有基于学习的方法通常从点云构建局部区域并提取相应特征。然而，这些过程大多未充分考虑点云的空间分布，限制了感知细粒度模式的能力。我们设计了一种新颖的局部空间感知（LSA）层，其可基于局部区域内的空间关系分层学习生成空间分布权重（SDWs）以用于空间独立操作，从而建立这些操作与空间分布之间的联系，进而敏感地捕获局部几何结构。我们进一步提出基于 LSA 层的 LSANet，在网络设计中更好地将各层空间信息与关联特征聚合。实验表明，在具有挑战性的基准数据集上评估时，我们的 LSANet 可达到与 SOTA 方法相当或更好的性能。例如，在仅使用 1024 个点的条件下，我们的 LSANet 在 ModelNet40 数据集上可达到 93.2% 的准确率，显著高于同等条件下的其他方法。源代码见 https://github.com/LinZhuoChen/LSANet。
引用
@article{arxiv.1905.05442,
title = {LSANet: Feature Learning on Point Sets by Local Spatial Aware Layer},
author = {Lin-Zhuo Chen and Xuan-Yi Li and Deng-Ping Fan and Kai Wang and Shao-Ping Lu and Ming-Ming Cheng},
journal= {arXiv preprint arXiv:1905.05442},
year = {2019}
}