点云中的隐患：研究点云卷积的鲁棒性
计算机视觉与模式识别
2021-02-01 v2 机器学习
摘要
近来，对不规则采样点云执行卷积引起了显著关注。由于点云与规则光栅图像差异很大，有必要更仔细地研究卷积网络的泛化能力，尤其是其对输入数据尺度与旋转变化的鲁棒性。本文考察PointConv（一种点云上的卷积网络）的不同变体，以检验它们对输入尺度和旋转变化的鲁棒性。在我们探索的变体中，有两个是新颖的并带来了显著改进。其一是用更简单的三次多项式配合Sobolev范数正则化来替换基于多层感知机的权函数。其次，对于3D数据集，除常规3D坐标外，我们利用3D几何属性作为PointConv的输入，推导出一种新的视角不变描述子。我们还探索了激活函数、邻域和子采样方法的选择。实验在2D MNIST与CIFAR-10数据集以及3D SemanticKITTI与ScanNet数据集上进行。结果表明，在2D上，使用三次多项式极大提升了PointConv对尺度变化和旋转的鲁棒性，甚至在MNIST数据集上超越了传统2D CNN。在3D数据集上，该新颖视角不变描述子显著提升了PointConv的性能与鲁棒性。我们在SemanticKITTI数据集上取得了基于点的方法中最优的语义分割性能，并在ScanNet数据集上取得了与当前最高框架相当的性能。
引用
@article{arxiv.2101.07832,
title = {The Devils in the Point Clouds: Studying the Robustness of Point Cloud Convolutions},
author = {Xingyi Li and Wenxuan Wu and Xiaoli Z. Fern and Li Fuxin},
journal= {arXiv preprint arXiv:2101.07832},
year = {2021}
}