PointASNL: Robust Point Clouds Processing using Nonlocal Neural Networks with Adaptive Sampling
阿新 • • 發佈:2021-12-07
來源:2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)
Abstract
- 由感測器或重建演算法獲取原始點雲包含異常值和噪聲
PointASNL
有效的處理帶有噪聲的點雲- 方案的關鍵是自適應取樣演算法
(adaptive sampling)
- AS模組有利於點雲的特徵學習,而且可以緩解異常值的偏差效應。
- 為了進一步的捕獲取樣點的鄰域和長距離的依賴關係,受到
nolocal
的啟發,我們提出了一個local-nonlocal
的關係模組。 LNL
模組使學習對噪聲不敏感。
introduction
- PointASNL由兩部分組成:adaptive sampling module和local-nonlocal module
adaptive sampling module
:調整取樣點的座標和特徵local-nonlocal module
:捕獲取樣點的鄰域和長距離依賴
當前的大多數方法通常使用取樣方法從原始點雲中選擇點來進行區域性特徵學習。在這些取樣演算法中,farthest point sampling
,Poisson disk sampling
,Gumbel subset sampling
是在以前的工作中提出的。