用于点云分析的关联-形状卷积神经网络
计算机视觉与模式识别
2019-05-28 v3 人工智能
计算几何
图形学
机器人学
摘要
点云分析极具挑战性，因为隐含于不规则点中的形状难以捕捉。本文提出 RS-CNN，即 Relation-Shape Convolutional Neural Network（关联-形状卷积神经网络），将规则网格 CNN 扩展至不规则配置以用于点云分析。RS-CNN 的关键在于从关联中学习，即点之间的几何拓扑约束。具体而言，局部点集的卷积权重被强制从该点集中一个采样点与其他点之间预定义的几何先验中学习高层关联表达。以此方式，可获得带有对点空间布局显式推理的归纳式局部表示，从而带来更强的形状感知与鲁棒性。以此卷积为基本算子，可构建分层架构 RS-CNN，实现用于点云分析的上下文形状感知学习。在跨越三个任务的具挑战性基准上的大量实验验证了 RS-CNN 达到了最优性能（state of the arts）。
引用
@article{arxiv.1904.07601,
title = {Relation-Shape Convolutional Neural Network for Point Cloud Analysis},
author = {Yongcheng Liu and Bin Fan and Shiming Xiang and Chunhong Pan},
journal= {arXiv preprint arXiv:1904.07601},
year = {2019}
}
备注
Accepted to CVPR 2019 as an oral presentation. Project page at https://yochengliu.github.io/Relation-Shape-CNN