TL;DR本研究提出一种新的架构设计,结合了旋转和拓扑不变的图扩散算子和 1x1 卷积的逐点特征学习,从而有效地在不规则图形上传播特征并提高 3D 点云的特征提取和语义分类精度。
Abstract
graph convolutional networks are a new promising learning approach to deal
with data on irregular domains. They are predestined to overcome certain
limitations of conventional grid-based architectures and will enable efficient
handling of point clouds or related graphical data represen
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。