SpiderCNN：基于参数化卷积滤波器的点集深度学习
计算机视觉与模式识别
2018-09-13 v3
摘要
深度神经网络已在各种视觉任务中取得显著成功，然而将 CNN 应用于缺乏规则底层结构的领域（如 3D 点云）仍然具有挑战性。为此我们提出一种称为 SpiderCNN 的新型卷积架构，以高效地从点云中提取几何特征。SpiderCNN 由称为 SpiderConv 的单元构成，其通过将一族卷积滤波器参数化，将卷积操作从规则网格推广到可嵌入 R^n 的不规则点集。我们将滤波器设计为捕获局部测地信息的简单阶跃函数与确保表达能力的泰勒多项式之乘积。SpiderCNN 从经典 CNN 继承多尺度层次架构，使其能提取语义深层特征。在 ModelNet40 上的实验表明，SpiderCNN 在标准基准上达到最先进的 92.4% 准确率，并在分割任务上展现出有竞争力的性能。
引用
@article{arxiv.1803.11527,
title = {SpiderCNN: Deep Learning on Point Sets with Parameterized Convolutional Filters},
author = {Yifan Xu and Tianqi Fan and Mingye Xu and Long Zeng and Yu Qiao},
journal= {arXiv preprint arXiv:1803.11527},
year = {2018}
}
备注
European Conference on Computer Vision 2018 (ECCV 2018)