使用Geo-CNN建模三维点云的局部几何结构
计算机视觉与模式识别
2018-11-20 v1
摘要
深度卷积神经网络(CNNs)的最新进展促使研究者将CNNs适配为直接建模三维点云中的点。局部结构建模已被证明对卷积架构的成功至关重要，研究者利用在特征提取层次中对局部点集的建模。然而，明确建模局部区域内点之间几何结构的关注有限。为解决此问题，我们提出Geo-CNN，其将对每个点及其局部邻域应用一种称为GeoConv的通用类卷积操作。在提取中心点与邻点之间的边特征时捕获点间的局部几何关系。我们首先将边特征提取过程分解到三个正交基上，然后基于边向量与基之间的夹角聚合提取的特征。这鼓励网络在整个人特征提取层次中保留欧氏空间中的几何结构。GeoConv是一种通用且高效的操作，可轻松集成到三维点云分析流程中以用于多种应用。我们在ModelNet40和KITTI上评估Geo-CNN并取得了最先进的性能。
引用
@article{arxiv.1811.07782,
title = {Modeling Local Geometric Structure of 3D Point Clouds using Geo-CNN},
author = {Shiyi Lan and Ruichi Yu and Gang Yu and Larry S. Davis},
journal= {arXiv preprint arXiv:1811.07782},
year = {2018}
}