SPNet：用于点云语义分割的多壳核卷积
计算机视觉与模式识别
2021-09-27 v1
摘要
特征编码对于点云分析至关重要。本文中，我们提出了一种名为壳点卷积（SPConv）的新型点卷积算子，用于形状编码和局部上下文学习。具体而言，SPConv 将三维邻域空间划分为壳层，在人工设计的核点上聚合局部特征，并在壳层上执行卷积。此外，SPConv 引入了一个简单而有效的注意力模块，以增强局部特征聚合。基于 SPConv，构建了名为 SPNet 的深度神经网络来处理大规模点云。SPNet 中融入了泊松盘采样和特征传播，以获得更好的效率和精度。我们提供了壳层设计的细节，并在具有挑战性的大规模点云数据集上进行了大量实验。实验结果表明，SPConv 在局部形状编码方面是有效的，并且我们的 SPNet 能够在语义分割任务中取得排名靠前的性能。
引用
@article{arxiv.2109.11610,
title = {SPNet: Multi-Shell Kernel Convolution for Point Cloud Semantic Segmentation},
author = {Yuyan Li and Chuanmao Fan and Xu Wang and Ye Duan},
journal= {arXiv preprint arXiv:2109.11610},
year = {2021}
}
备注
ISVC '21, oral