![1db1ed1c09a77188c5ef5e010e57d6a0.png](https://img-blog.csdnimg.cn/img_convert/1db1ed1c09a77188c5ef5e010e57d6a0.png)
本文介绍的是 CVPR 2020 论文《Adaptive Hierarchical Down-Sampling for Point Cloud Classification》,作者来自华为诺亚方舟实验室认知车联网项目加研团队。
作者 | 诺亚方舟实验室
编辑 | 丛 末
![287cb51d43376d3145a8cde2e18e9aa5.png](https://img-blog.csdnimg.cn/img_convert/287cb51d43376d3145a8cde2e18e9aa5.png)
论文链接:https://arxiv.org/abs/1904.08506
1
简介
本研究以深度神经网络为依托,面向3D点云分类,针对现有文献对深度神经网络中无序点云的确定性降采样盲目低效的问题,文章提出了自适应的点云降采样方法,考虑到了每个点对网络输出的重要性,避免了点云中部分重要的点在采样中被去除,而价值不大的点被传到了网络下一层。
该方法具有点序不变性(Permutation-invariant)和确定性(Deterministic),即输入点云中的点可以按照任意顺序排列,而输出的降采样结果是确定的一组点,且该组点为输入点云的一个子集。这些性质对深度神经网络的鲁棒性和分类结果的稳定性起到了重要作用。
自适应的降采样方法,能以关键点层(Critical Points Layer, CPL)的方式按照用户需要(与应用类别、训练数据类