PointCNN：基于 $\mathcal{X}$ 变换点的卷积
计算机视觉与模式识别
2018-11-06 v5 人工智能
图形学
摘要
我们提出了一种简单且通用的点云特征学习框架。CNN 成功的关键在于卷积算子能够利用以网格密集表示的数据（如图像）中的空间局部相关性。然而，点云是不规则且无序的，因此直接将卷积核与关联于点的特征进行卷积，将导致形状信息的丢失以及对点排序的敏感性。为解决这些问题，我们提出从输入点中学习一个 变换，以同时促进两个目标：一是对与点相关联的输入特征进行加权，二是将点排列为一个潜在的、可能规范的次序。随后，典型卷积算子的逐元素乘积与求和操作被应用于 变换后的特征。所提方法是典型 CNN 在点云特征学习上的推广，因此我们称之为 PointCNN。实验表明，在多个具有挑战性的基准数据集与任务上，PointCNN 取得了与最先进方法相当或更好的性能。
引用
@article{arxiv.1801.07791,
title = {PointCNN: Convolution On $\mathcal{X}$-Transformed Points},
author = {Yangyan Li and Rui Bu and Mingchao Sun and Wei Wu and Xinhan Di and Baoquan Chen},
journal= {arXiv preprint arXiv:1801.07791},
year = {2018}
}
备注
To be published in NIPS 2018, code available at https://github.com/yangyanli/PointCNN