DensePoint: Learning Densely Contextual Representation for Efficient Point Cloud Processing
阿新 • • 發佈：2021-12-14
Abstraction
- 徹底的掌握難以捉摸的上下文語義資訊是本文的目標。
- 提出一個名為
DensePoint的通用框架去學習點雲的密集的上下文表示。
Introduction
捕捉足夠的上下文語義資訊，以徹底掌握難以捉摸的形狀資訊。
貢獻：
- 一種廣義的卷積運算元，他對點有排列不變性，尊重區域性連通性和權值共享的卷積性質，從而將規則網格CNN擴充套件到不規則，實現高效的點雲處理。
- 提出了一種具有廣義卷積運算元的通用架構，用於學習點雲的密集上下文表示，即DensePoint。它可以獲得足夠的上下文語義資訊，以便準確識別合法形狀。
- SOTA
Method
首先描述點雲上的點運運算元和池化運算元，然後介紹DensePoint
點雲上的卷積和池化
點雲上的卷積操作：經典的影象卷積操作與區域性網格區域，且權重共享。但是這個操作在點雲上需要分成兩部去做，特徵轉換和特徵聚合。因此點雲上的廣義卷積可以定義為：
\[f_{\mathcal{N_{(x)}}}=\rho(\{\phi(f_{x_{n}}),\forall x)_n\in\mathcal{N(x)}\})\tag{1} \]其中的\(x\)和\(x_n\)代表3D點中的兩個點，\(f\)是特徵向量。\(\mathcal{N}(x)\)是區域性點雲進行卷積所形成的區域，取取樣點\(x\)為中心，將附近的點作為其淋雨\(x_n\)