NPTC-net：点云上的窄带平行传输卷积神经网络
计算机视觉与模式识别
2021-02-23 v3 机器学习
摘要
卷积在信号与图像处理、分析及识别的各种应用中起着关键作用，它也是卷积神经网络（CNNs）的主要构建模块。在流形结构点云上设计恰当的卷积神经网络，能够继承并赋予近期 CNN 的进展以分析和处理点云数据的能力。然而，主要挑战之一是定义一种恰当的方式将滤波器“扫过”点云，作为平面卷积的自然推广，同时反映点云的几何结构。在本文中，我们考虑通过适配点云上的平行传输来推广卷积。受基于三角化表面的方法 [Stefan C. Schonsheck, Bin Dong, and Rongjie Lai, arXiv:1805.07857.] 启发，我们提出窄带平行传输卷积（NPTC），使用在点云数据的基于体素的窄带近似上专门定义的联络。据此，我们进一步提出基于 NPTC 的深度卷积神经网络（称为 NPTC-net）用于点云分类与分割。综合实验表明，所提出的 NPTC-net 在点云分类与分割上取得了与当前最优方法相当或更好的结果。
引用
@article{arxiv.1905.12218,
title = {NPTC-net: Narrow-Band Parallel Transport Convolutional Neural Network on Point Clouds},
author = {Pengfei Jin and Tianhao Lai and Rongjie Lai and Bin Dong},
journal= {arXiv preprint arXiv:1905.12218},
year = {2021}
}
备注
18 pages, 6 figures