点“计算机视觉life”关注,置顶更快接收消息!
论文名称:GeoNet: Deep Geodesic Networks for Point Cloud Analysis
论文链接:https://arxiv.org/pdf/1901.00680.pdf
导语
简介
GeoNet 方法
问题陈述
方法
测地邻域估计
-
特征提取
测地匹配
-
测地融合
PU-Net
PointNet++
GeoNet实验
测地邻域估计
点云上采样
法向量估计及网格重建
非刚性形状分类
结论
参考文献
往期解读
基于网格曲面的几何拓扑信息可以为物体语义分析和几何建模提供较强的线索,但是,如此重要的连接性信息在点云中是缺失的。为此,作者首次提出一种全新的深度学习网络,称之为 GeoNet,可建模点云所潜在表征的网格曲面特征。
为证明这种学习型的测地表示的有效性,作者提出一种融合方案,即把 GeoNet 与其他 baseline 和 backbone 相结合,比如 PU-Net、PointNet++,用于若干对潜在网格曲面特征理解有较高要求的点云分析任务。
得益于对潜在曲面拓扑结构的理解,这一方法在点云上采样、法向量估计、网格重建及非刚性形状分类等多项经典任务上取得了新的当前最优结果。该项工作已收录为 CVPR 2019 Oral 论文。
简介
拓扑估计,即确定点云之中不同点的邻域关系,是一个很重要的问题,因为它指示着可进一步揭示点云语意和功能信息的潜在的点云结构。
▲ 图 1:GeoNet 方法示意图,其输入是一个点云,然后输出相应的表示用于多项点云分析任务。
如图 1 左边红色插框所示:这两个点集,尽管看起来不相连,但实际上应该相连为一个椅腿,作为整个椅子的一部分。另一方面,位于椅子上、下表面的点集,尽管空间上非常聚集,但却不该相连,以避免混淆可坐的上表面和不可坐的下表面。确定这样的拓扑学信息似乎是一个低阶问题,而实际上这是一项充满挑战的任务,需要全局、高阶的知识。
再次回到图 1 中的红色插框,本文由此得出结论,两个点集只有从大量点云学习到统计规则之后才相连,并观察这一类型的诸多物体,伴随着从椅子延伸到地面的相连、垂直的元素。这启发本文采取一种学习的方法来捕捉点云的拓扑学结构。
本文旨在开发一种针对潜在曲面拓扑学和物体几何学的点云数据的表示,进而提出一种利用已学习的拓扑学特征分析测地性点云的方法。
这一表示可捕捉一个点云的不同拓扑学模式,并且这一方法不会改变数据流,因此本文的表示可实现联合学习,与当前最优的 baseline 或 backbone 相结合,比如 PU-Net,PointNet++。
对于第一个目标,本文提出一种测地性邻域估计网络(Geodesic Neighborhood Estimation Network),称之为 GeoNet,通过使用 groundtruth 测地距离作为监督信号来学习深度测地表示。
如图 2 所示,GeoNet 包含两个模块:1)自动编码器,提取每一个点的特征向量;2)测量匹配层(GM),使用潜在特征充当一个已学习的核函数估计测地邻域点。
▲ 图 2:GeoNet:测地邻域估计网络。
借助于监督式的测地训练过程,GM 层的中间特征包含丰富的点云拓扑学信息以及固有的曲面属性。本文注意到,尽管表示在测地距离上训练,但由于没有施加对称性、三角不等式等基于距离的约束,所学得的表示暂时并不适合作为标准测地距离。表示的目标是为整体几何学和拓扑学的后续处理过程提供点云潜在的网格曲面特征信息,而不是直接进行指标计算。
对于第二个任务,如图 3 所示,本文提出测地融合方案,从而把 GeoNet 整合进当前最优的架构