PointConv：面向三维点云的深度卷积网络
计算机视觉与模式识别
2020-11-11 v3
摘要
与以规则密集网格表示的图像不同，三维点云是不规则且无序的，因此在其上应用卷积可能较为困难。在本文中，我们将动态滤波器扩展为一种名为PointConv的新卷积操作。PointConv可应用于点云以构建深度卷积网络。我们将卷积核视为由权重函数和密度函数组成的三维点局部坐标的非线性函数。对于给定点，权重函数通过多层感知机网络学习，密度函数通过核密度估计获得。本工作最重要的贡献是提出了一种用于高效计算权重函数的新颖重构方法，这使得我们能够大幅扩展网络规模并显著提升其性能。学习到的卷积核可用于在三维空间中对任意点集计算平移不变和排列不变的卷积。此外，PointConv也可用作反卷积算子，将下采样点云的特征传播回其原始分辨率。在ModelNet40、ShapeNet和ScanNet上的实验表明，基于PointConv构建的深度卷积神经网络能够在具有挑战性的三维点云语义分割基准上达到最先进水平。此外，我们将CIFAR-10转换为点云的实验表明，基于PointConv构建的网络可以匹配类似结构的二维图像卷积网络的性能。
引用
@article{arxiv.1811.07246,
title = {PointConv: Deep Convolutional Networks on 3D Point Clouds},
author = {Wenxuan Wu and Zhongang Qi and Li Fuxin},
journal= {arXiv preprint arXiv:1811.07246},
year = {2020}
}
备注
CVPR 2019