Point2Point：一种基于希尔伯特排序点云的高效深度学习框架及其在时空占用预测中的应用
计算机视觉与模式识别
2023-06-29 v1
摘要
点云数据的无序性与排列不变性对有效学习提出了挑战。解决此问题的传统方法涉及将原始点云转换为中间表示，如3D体素网格或距离图像。虽然此类中间表示解决了排列不变性问题，但可能导致显著的信息损失。直接在原始点云上学习的方法要么难以解析点间邻域关系，要么公式过于复杂。本文提出一种将 point cloud 表示为由希尔伯特空间填充曲线诱导的保持局部性的一维排序的新方法。我们还介绍了Point2Point，一种能有效在希尔伯特排序点云上学习的神经架构。我们展示了Point2Point在点云分割与生成任务上具有竞争力。最后，我们展示了Point2Point在点云时空占用预测上的性能。
引用
@article{arxiv.2306.16306,
title = {Point2Point : A Framework for Efficient Deep Learning on Hilbert sorted Point Clouds with applications in Spatio-Temporal Occupancy Prediction},
author = {Athrva Atul Pandhare},
journal= {arXiv preprint arXiv:2306.16306},
year = {2023}
}
备注
2023 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)