通过核相关与图池化挖掘点云局部结构
计算机视觉与模式识别
2018-04-05 v2
摘要
与图像不同，由于数据天然无序的结构，使用深度网络在 3D 点云上进行语义学习具有挑战性。在现有工作中，PointNet 通过直接在点集上学习取得了有前景的结果。然而，它未充分利用点的局部邻域，该邻域包含细粒度结构信息，已被证明有助于更好的语义学习。为此，我们提出两种新操作以改进 PointNet，从而更高效地利用局部结构。第一种关注局部 3D 几何结构。类比图像的卷积核，我们将点集核定义为一组可学习的 3D 点，它们根据由核相关度量的几何亲和性共同响应一组相邻数据点，核相关改编自点云配准的类似技术。第二种通过在由 3D 位置计算的最近邻图上递归特征聚合来利用局部高维特征结构。实验表明，我们的网络能高效捕获局部信息，并在主要数据集上鲁棒地取得更好性能。我们的代码可在 http://www.merl.com/research/license#KCNet 获取。
引用
@article{arxiv.1712.06760,
title = {Mining Point Cloud Local Structures by Kernel Correlation and Graph Pooling},
author = {Yiru Shen and Chen Feng and Yaoqing Yang and Dong Tian},
journal= {arXiv preprint arXiv:1712.06760},
year = {2018}
}
备注
Accepted in CVPR'18. *indicates equal contribution