用于点云上基于图学习的多核扩散CNN
计算机视觉与模式识别
2018-09-17 v1
摘要
图卷积网络是一种处理不规则域上数据的新兴有前景的学习方法。它们注定要克服传统基于网格的架构的某些局限，并将实现对点云或相关图形数据表示（例如超像素图）的高效处理。在3D点云上学习特征提取器和分类器仍是一个欠发达领域，并且可能对相等的图拓扑存在潜在限制。在本工作中，我们推导了一种新的架构设计，将旋转与拓扑不变的图扩散算子以及通过1x1卷积的节点级特征学习相结合。通过组合基于Laplace-Beltrami算子的多个各向同性扩散操作，我们可以学习扩散核的最优线性组合，以在不规则图上进行跨节点的有效特征传播。我们在人体姿态的真实3D点云上验证了我们的方法用于学习点描述子以及语义分类，并展示多核方法将Dice重叠率从85%提升至95%。
引用
@article{arxiv.1809.05370,
title = {Multi-Kernel Diffusion CNNs for Graph-Based Learning on Point Clouds},
author = {Lasse Hansen and Jasper Diesel and Mattias P. Heinrich},
journal= {arXiv preprint arXiv:1809.05370},
year = {2018}
}
备注
accepted for ECCV 2018 Workshop Geometry Meets Deep Learning