RGCNN：用于点云分割的正则化图卷积神经网络
计算机视觉与模式识别
2018-06-11 v1
摘要
点云作为一种高效的 3D 物体表示，随着深度感知与 3D 激光扫描技术的发展而日益流行。它在 3D 远程呈现、无人驾驶车辆导航和遗产重建等多种应用中受到关注。对点云的理解（如点云分割）对于在这些应用中挖掘点云的信息价值至关重要。由于数据格式的不规则性，以往的深度学习工作通常将点云转换为规则的 3D 体素网格或图像集合，再输入神经网络，这导致了海量数据与量化伪影。本文转而提出一种正则化图卷积神经网络（RGCNN），直接处理点云。借助谱图理论，我们将点云中点的特征视为图上的信号，并通过切比雪夫多项式逼近定义图上的卷积。特别地，我们根据各层对应的学习特征更新描述特征连通性的图拉普拉斯矩阵，从而自适应地捕捉动态图的结构。此外，我们在损失函数中引入图信号平滑先验，以正则化学习过程。在 ShapeNet part 数据集上的实验结果表明，所提方法在取得与当前最优方法相当性能的同时，显著降低了计算复杂度。同时，实验显示与其他方法相比，RGCNN 对噪声和点云密度更加鲁棒。我们进一步将 RGCNN 应用于点云分类，并在 ModelNet40 数据集上取得了有竞争力的结果。
引用
@article{arxiv.1806.02952,
title = {RGCNN: Regularized Graph CNN for Point Cloud Segmentation},
author = {Gusi Te and Wei Hu and Zongming Guo and Amin Zheng},
journal= {arXiv preprint arXiv:1806.02952},
year = {2018}
}