MeteorNet：面向动态三维点云序列的深度学习
计算机视觉与模式识别
2020-02-11 v2 机器学习
机器人学
摘要
理解动态三维环境对于机器人智能体及许多其他应用至关重要。我们提出了一种称为 的新型神经网络架构，用于学习动态三维点云序列的表示。与先前采用基于网格的表示并应用三维或四维卷积的工作不同，我们的网络直接处理点云。我们提出了两种为点云序列中每个点构建时空邻域的方法。来自这些邻域的信息被聚合以学习每点的特征。我们在多种三维识别任务上对我们的网络进行基准测试，包括动作识别、语义分割和场景流估计。MeteorNet 展现出比先前基于网格的方法更强的性能，同时在 Synthia 上达到了最先进性能。MeteorNet 也优于先前最多只能处理两个连续点云的基线方法。据我们所知，这是首个关于动态原始点云序列深度学习的工作。
引用
@article{arxiv.1910.09165,
title = {MeteorNet: Deep Learning on Dynamic 3D Point Cloud Sequences},
author = {Xingyu Liu and Mengyuan Yan and Jeannette Bohg},
journal= {arXiv preprint arXiv:1910.09165},
year = {2020}
}
备注
ICCV 2019 (Oral)