• 微信公众号:美女很有趣。 工作之余,放松一下,关注即送10G+美女照片!

PointWeb&PointCNN

开发技术 开发技术 14小时前 4次浏览

Abstract

这篇文章提出了PointWeb,一种在点云的局部邻域上下文中提取特征的新方法,与之前工作不同是,我们在局部邻域中稠密的将每个点和其他点连接起来。目的是基于局部区域的特征来指定每个点的特征,以更好地表示该区域。提出了一种新的特征调整模块,即AFA(Adaptive Feature Adjustment)模块,用于发现点之间的相互作用。

待补充

PointNet直接使用MLP去处理原始点信息,紧随其后的PointNet++引入了分层结构和局部特征信息进一步提高性能,其与将像素的特征与其局部邻域集成在一起的2D卷积不同,PointNet++中局部区域的特征聚合是通过最大池实现的。如下图a,对于DGCNN,它通过将中心点的特征与其通过knn计算的临近点之间的特征差作为另外的输入维度连接起来,然后进行MLPmax-pooling来聚合每个局部区域中的信息。这里仅仅考虑了中心点的对关系,因为区域信息的聚合操作也是通过简单的max-pooling实现的,所以区域信息的整合依然是有限的。
PointWeb&PointCNN


补充部分Beg-PointCNN

CNN之所以获得如此大的成功,关键在于他的Conv操作,该操作可以利用图像中密集表示的数据中的局部相关性,得到局部集合结构。此处的想法就是可不可以将其在PointCloud中应用该种想法。

(mathcal{X}-Conv)来鹅城只为两件事:

  1. 对每个代表点周围的点特征做集成。
  2. 在隐空间对输入做重排去除输入顺序的影响。

上面两件事的作用可以类比为CNN里面的Conv操作。

作者提出了一种在卷积角度处理点云问题的框架,其中最关键的部分被称为(mathcal{X}-Conv),他的主要作用就是解决了上面两件事。


CNN采用Conv这种结构对规则的欧氏空间的图像等数据进行逐层的信息整合,本文提出一种(mathcal{X}-Conv)的一种类似卷积的结构来实现相同的目标。他的核心是学习一个(K times K)的特征重排矩阵(mathcal{X}),作用是对任意顺序输入的特征重新排列使模型对输入顺序不变,理想情况下这个矩阵是(0-1)矩阵,实际上学习到的并不是完全的二值分布,但是仍然是有效的。
PointWeb&PointCNN

补充部分End-PointCNN



程序员灯塔
转载请注明原文链接:PointWeb&PointCNN
喜欢 (0)