面向点云与事件流网络的连续域稀疏卷积
计算机视觉与模式识别
2020-12-03 v1
摘要
图像卷积已成为计算机视觉中大量深度学习进展的基石。然而，研究界尚未针对点云和事件流这类稀疏、非结构化的连续数据确立一种等价的算子。我们为这些情况提出了一种基于稀疏矩阵的优雅卷积算子解释，该解释与卷积的数学定义一致，且在训练时高效。在基准点云分类问题上，我们证明使用这些操作构建的网络可比现有顶尖方法快一个数量级或更多，同时保持相当的精度，且仅需极小部分内存。我们还将我们的算子应用于事件流处理，在包含数十万事件的多任务流上取得了最先进的结果。
引用
@article{arxiv.2012.01170,
title = {Sparse Convolutions on Continuous Domains for Point Cloud and Event Stream Networks},
author = {Dominic Jack and Frederic Maire and Simon Denman and Anders Eriksson},
journal= {arXiv preprint arXiv:2012.01170},
year = {2020}
}
备注
ACCV2020