收缩单元：一种基于图卷积的类 CNN 三维点云特征提取器单元
计算机视觉与模式识别
2022-09-27 v1 机器学习
摘要
三维点云因其高质量的对象表示和高效的获取方法，在建筑、工程和施工领域吸引了越来越多的关注。因此，文献中提出了许多点云特征检测方法以自动化某些工作流，例如分类或部件分割。然而，点云自动化系统的性能显著落后于其图像对应系统。虽然部分失败源于点云的不规则性、非结构化和无序性，这使得点云特征检测任务比图像任务更具挑战性，但我们认为缺乏来自图像领域的启发可能是造成此种差距的主要原因。事实上，鉴于卷积神经网络（CNN）在图像特征检测中的巨大成功，设计其点云对应物似乎是合理的，但现有提出的方法均与之差异较大。具体而言，尽管许多方法推广了点云中的卷积操作，它们未能模拟 CNN 的多特征检测与池化操作。为此，我们提出一种基于图卷积的单元，称为收缩单元（Shrinking unit），其可垂直与水平堆叠以设计类 CNN 的三维点云特征提取器。鉴于点云中点的自身、局部和全局相关性传达了关键的空间几何信息，我们也在特征提取过程中利用它们。我们通过为 ModelNet-10 基准数据集设计一个特征提取器模型来评估我们的方案，取得了 90.64% 的分类准确率，表明我们的创新思路是有效的。我们的代码可在 github.com/albertotamajo/Shrinking-unit 获取。
引用
@article{arxiv.2209.12770,
title = {Shrinking unit: a Graph Convolution-Based Unit for CNN-like 3D Point Cloud Feature Extractors},
author = {Alberto Tamajo and Bastian Plaß and Thomas Klauer},
journal= {arXiv preprint arXiv:2209.12770},
year = {2022}
}
备注
12 pages, 7 figures, for associated code, see https://github.com/albertotamajo/Shrinking-unit