DensePoint: Learning Densely Contextual Representation for Efficient Point Cloud Processing
Abstraction
- 彻底的掌握难以捉摸的上下文语义信息是本文的目标。
- 提出一个名为
DensePoint的通用框架去学习点云的密集的上下文表示。
Introduction
捕捉足够的上下文语义信息，以彻底掌握难以捉摸的形状信息。
贡献：
- 一种广义的卷积算子，他对点有排列不变性，尊重局部连通性和权值共享的卷积性质，从而将规则网格CNN扩展到不规则，实现高效的点云处理。
- 提出了一种具有广义卷积算子的通用架构，用于学习点云的密集上下文表示，即DensePoint。它可以获得足够的上下文语义信息，以便准确识别合法形状。
- SOTA
Method
首先描述点云上的点运算子和池化算子，然后介绍DensePoint以及其如何学习墨迹上下文表示的点云处理。
点云上的卷积和池化
点云上的卷积操作：经典的图像卷积操作与局部网格区域，且权重共享。但是这个操作在点云上需要分成两部去做，特征转换和特征聚合。因此点云上的广义卷积可以定义为：
\[f_{\mathcal{N_{(x)}}}=\rho(\{\phi(f_{x_{n}}),\forall x)_n\in\mathcal{N(x)}\})\tag{1}
\]
其中的\(x\)和\(x_n\)代表3D点中的两个点，\(f\)是特征向量。\(\mathcal{N}(x)\)是局部点云进行卷积所形成的区域，取采样点\(x\)为中心，将附近的点作为其淋雨\(x_n\)。
