ODFNet：利用取向分布函数刻画三维点云
计算机视觉与模式识别
2022-07-18 v2 机器学习
摘要
学习三维点云的新表示是三维视觉中的活跃研究领域，因为顺序不变的点云结构仍对神经网络架构设计提出挑战。近期工作探索了为点云学习全局或局部特征或二者兼具，然而早期方法均未聚焦于通过分析点的局部取向分布来捕获上下文形状信息。在本文中，我们利用点周围点的取向分布来获得点云的表达性局部邻域表示。我们通过将给定点的球形邻域划分为预定义的锥形体积来实现此目的，每个体积内的统计量被用作点特征。如此，一个局部块不仅可由所选点的最近邻表示，还考虑了沿该点周围多个取向定义的点的密度分布。我们进而能够构建一个取向分布函数（ODF）神经网络，其包含一个依赖于 mlp（多层感知机）层的 ODFBlock。新的 ODFNet 模型在 ModelNet40 和 ScanObjectNN 数据集上的物体分类以及 ShapeNet、S3DIS 数据集上的分割任务中达到了最先进的精度。
引用
@article{arxiv.2012.04708,
title = {ODFNet: Using orientation distribution functions to characterize 3D point clouds},
author = {Yusuf H. Sahin and Alican Mertan and Gozde Unal},
journal= {arXiv preprint arXiv:2012.04708},
year = {2022}
}
备注
The paper is under consideration at Computer Vision and Image Understanding