本文提出了一种基于八叉树引导的神经网络结构和球形卷积核来进行任意 3D 点云的机器学习。该网络架构充分利用了不规则点云的稀疏性,并通过空间划分分层粗化数据表示。同时,该提议的球形核有系统地量化点邻域,以识别数据中的局部几何结构,同时保持平移不变性和不对称性。我们利用与空间位置相关联的网络神经元来指定球形核,从而避免了网络训练期间动态核生成,以实现高分辨率点云的高效学习,并在 3D 对象分类和分割的基准任务上取得了新的最先进状态,分别在 ShapeNet 和 RueMonge2014 数据集上。
论文提出通过多值球面函数和在球谐域中实现球面上的准确卷积来解决 3D 卷积神经网络中的 3D 旋转等变性问题,进而提供了一种局部对称且通过平滑的频谱实现本地化滤波器的方法,同时还实现了一种用于谱域的新型池化技术,这些操作使得网络不需要过多的容量和数据增强即可在标准检索和分类基准测试中与现有的最先进性能相当。