PointASNL：基于自适应采样非局部神经网络的鲁棒点云处理
计算机视觉与模式识别
2020-05-06 v3
摘要
原始点云数据通过 3D 传感器或重建算法获取时不可避免地包含离群点或噪声。本文提出一种用于鲁棒点云处理的新型端到端网络，名为 PointASNL，其能有效处理含噪声的点云。我们方法的关键组件是自适应采样（AS）模块。它首先对最远点采样（FPS）初始采样点周围的邻域重新加权，然后在整个点云上自适应调整采样点。我们的 AS 模块不仅有利于点云的特征学习，还能缓解离群点的偏置影响。为了进一步捕获采样点的邻域与长程依赖，受非局部操作启发我们提出了局部-非局部（L-NL）模块。该 L-NL 模块使学习过程对噪声不敏感。大量实验验证了我们的方法在点云处理任务中无论合成数据、室内数据还是带或不带噪声的室外数据均具有鲁棒性与优越性。具体而言，PointASNL 在所有数据集的分类与分割任务上达到了 SOTA 鲁棒性能，并在具有可观噪声的真实世界室外 SemanticKITTI 数据集上显著优于先前方法。我们的代码发布于 https://github.com/yanx27/PointASNL。
引用
@article{arxiv.2003.00492,
title = {PointASNL: Robust Point Clouds Processing using Nonlocal Neural Networks with Adaptive Sampling},
author = {Xu Yan and Chaoda Zheng and Zhen Li and Sheng Wang and Shuguang Cui},
journal= {arXiv preprint arXiv:2003.00492},
year = {2020}
}
备注
To appear in CVPR 2020. Also seen in http://kaldir.vc.in.tum.de/scannet_benchmark/