PointShuffleNet：利用同伦等价与互信息学习非欧几里得特征
计算机视觉与模式识别
2021-04-07 v1 人工智能
摘要
由于点云从 3D 传感器采样的几何结构具有无序性与稀疏性，点云分析仍具挑战。本文引入同伦等价关系（HER）使神经网络从高维流形学习数据分布。采用随机且零参数的洗牌操作构造 HER。此外，受先前工作启发，我们提出局部互信息正则化器（LMIR）以切断由 HER 导致分类错误的平凡路径。LMIR 利用互信息度量原始特征与 HER 变换特征间的距离，并以对比学习方案学习公共特征。因此，我们结合 HER 与 LMIR 赋予模型从高维流形学习非欧几里得特征的能力，称为非欧几里得特征学习器。进而，我们提出一种名为 ClusterFPS 的新启发式高效点采样算法，以更快速度获得近似均匀采样。ClusterFPS 使用聚类算法将点云分为若干簇，并在每簇上并行部署最远点采样算法。结合上述方法，我们提出一种名为 PointShuffleNet（PSN）的新型点云分析神经网络，在点云分类与分割中展现良好前景。大量实验表明，我们的 PSN 在 ModelNet40、ShapeNet 与 S3DIS 上以高效率取得最先进结果。理论上，我们提供数学分析以理解 HER 所发展的数据分布，以及 LMIR 如何通过隐式最大化互信息丢弃平凡路径。
引用
@article{arxiv.2104.02611,
title = {PointShuffleNet: Learning Non-Euclidean Features with Homotopy Equivalence and Mutual Information},
author = {Linchao He and Mengting Luo and Dejun Zhang and Xiao Yang and Hu Chen and Yi Zhang},
journal= {arXiv preprint arXiv:2104.02611},
year = {2021}
}
备注
15 pages