用于鲁棒点云分类的点-体素自适应特征抽象
计算机视觉与模式识别
2022-11-01 v2
摘要
基于学习的方法在点云分类上已取得巨大进展。然而，现实应用中的复杂场景与传感器不精确使点云数据遭受遮挡、噪声与离群点等损坏。在本工作中，我们提出基于点-体素的自适应 (PV-Ada) 特征抽象，用于各种损坏下的鲁棒点云分类。具体而言，所提框架迭代地对点云进行体素化，并通过共享局部编码与 Transformer 提取点-体素特征。然后，提出自适应最大池化以鲁棒地聚合点云特征用于分类。在 ModelNet-C 数据集上的实验表明 PV-Ada 优于最先进的方法。特别地，我们在 PointCloud-C Challenge 2022 的 ModelNet-C 分类赛道中排名 位，总体准确率 (OA) 为 0.865。代码将发布于 https://github.com/zhulf0804/PV-Ada。
引用
@article{arxiv.2210.15514,
title = {Point-Voxel Adaptive Feature Abstraction for Robust Point Cloud Classification},
author = {Lifa Zhu and Changwei Lin and Chen Zheng and Ninghua Yang},
journal= {arXiv preprint arXiv:2210.15514},
year = {2022}
}
备注
Technical report