PointNet++：度量空间中点集上的深度层次化特征学习
计算机视觉与模式识别
2017-06-09 v1
摘要
此前鲜有工作研究点集上的深度学习。Qi 等人的 PointNet 是该方向的先驱。然而，PointNet 的设计未能捕捉由点所在度量空间诱导的局部结构，限制了其识别细粒度模式的能力以及对复杂场景的泛化能力。在本工作中，我们引入了一个层次化神经网络，它在输入点集的嵌套划分上递归地应用 PointNet。通过利用度量空间距离，我们的网络能够学习具有递增上下文尺度的局部特征。进一步观察到点集通常以变化的密度采样，这导致在均匀密度上训练的网络性能大幅下降，我们提出了新颖的集合学习层，以自适应地组合来自多个尺度的特征。实验表明，我们称为 PointNet++ 的网络能够高效且鲁棒地学习深度点集特征。特别是，在具有挑战性的 3D 点云基准测试上，结果显著优于现有最佳水平。
引用
@article{arxiv.1706.02413,
title = {PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space},
author = {Charles R. Qi and Li Yi and Hao Su and Leonidas J. Guibas},
journal= {arXiv preprint arXiv:1706.02413},
year = {2017}
}