空间变换器点卷积
计算机视觉与模式识别
2020-09-04 v1
摘要
点云在嵌入的3D空间中是无结构且无序的。为在不同排列布局下产生一致响应,大多数现有方法通过最大或求和操作聚合局部空间点。但此类聚合本质上属于对所操作点的各向同性滤波,易丢失几何结构信息。本文提出空间变换器点卷积(STPC)方法,以实现点云上的各向异性卷积滤波。为捕获并表征隐式几何结构,我们专门引入空间方向字典来学习那些潜在几何分量。为更好地编码无序邻域点,我们设计稀疏变形器,利用方向字典学习将它们变换至规范有序的字典空间。在变换空间中,可利用类标准图像的卷积生成各向异性滤波,从而更鲁棒地表达局部区域的细微差异。字典学习与编码过程被封装为网络模块,并以端到端方式联合学习。在多个公开数据集(包括S3DIS、Semantic3D、SemanticKITTI)上的大量实验证明了我们所提方法在点云语义分割任务中的有效性。
引用
@article{arxiv.2009.01427,
title = {Spatial Transformer Point Convolution},
author = {Yuan Fang and Chunyan Xu and Zhen Cui and Yuan Zong and Jian Yang},
journal= {arXiv preprint arXiv:2009.01427},
year = {2020}
}