ShellNet：利用同心壳统计的高效点云卷积神经网络
计算机视觉与模式识别
2019-08-20 v1
摘要
自能够处理点云数据中点的顺序模糊性的卷积神经网络引入以来，基于 3D 数据的深度学习取得了显著进展。尽管以往方法能在多种场景理解任务中取得良好精度，却常面临训练速度低与网络架构复杂的问题。本文通过提出一种高效的端到端置换不变卷积来解决这些问题以用于点云深度学习。我们提出名为 ShellConv 的简洁而有效的卷积算子，利用同心球壳上的统计来定义代表性特征并解决点的顺序模糊性，从而使传统卷积可作用于此类特征。基于 ShellConv 我们进一步构建名为 ShellNet 的高效神经网络，以更大的感受野直接消费点云同时保持较少层数。我们在物体分类、物体部件分割与语义场景分割上给出最优结果，同时网络训练极快，由此展示了 ShellNet 的有效性。
引用
@article{arxiv.1908.06295,
title = {ShellNet: Efficient Point Cloud Convolutional Neural Networks using Concentric Shells Statistics},
author = {Zhiyuan Zhang and Binh-Son Hua and Sai-Kit Yeung},
journal= {arXiv preprint arXiv:1908.06295},
year = {2019}
}
备注
International Conference on Computer Vision (ICCV) 2019 Oral