SoftPoolNet：用于点云补全与分类的形状描述符
计算机视觉与模式识别
2020-08-18 v1 图像与视频处理
摘要
点云通常是许多应用的首选，因为其比体数据展现出更高的灵活性与效率。然而，其无序的本质——点以无序方式存储——使它们不太适合由深度学习流水线处理。本文中，我们提出一种基于点云的3D物体补全与分类方法。我们引入一种基于激活值组织提取特征的新方式，称之为软池化（soft pooling）。对于解码阶段，我们提出区域卷积，一种旨在最大化全局激活熵的新算子。此外，受点云补全网络（PCN）中局部细化过程的启发，我们还提出一种块形变操作来模拟点云的反卷积操作。本文证明我们的区域激活可融入许多点云架构如AtlasNet和PCN中，从而在几何补全上获得更好性能。我们在不同的3D任务（如物体补全与分类）上评估了我们的方法，取得了最先进的精度。
引用
@article{arxiv.2008.07358,
title = {SoftPoolNet: Shape Descriptor for Point Cloud Completion and Classification},
author = {Yida Wang and David Joseph Tan and Nassir Navab and Federico Tombari},
journal= {arXiv preprint arXiv:2008.07358},
year = {2020}
}
备注
accepted in ECCV 2020 as oral