RGCNN是一种用于点云分割的正则化图卷积神经网络，解决了传统GCNN的计算昂贵和无法动态适应图结构的问题。通过在损失函数前添加图形信号平滑度，RGCNN在保持竞争力的分割效果的同时，显著降低了计算复杂度，并对低密度和噪声更具鲁棒性。实验表明，RGCNN在ShapeNet零件数据集和ModelNet40数据集上表现出优异的性能。
原创微博，转载请声明
paper：https://arxiv.org/abs/1806.02952v1
code：https://github.com/tegusi/RGCNN
Regularized Graph CNN for Point Cloud Segmentation
（作者北大和美图公司，得到了MSRA协作研究项目和阿里巴巴创新研究支持）
背景：
以前的点云分割工作可以分为模型驱动的分割和数据驱动的分割，在深度学习工作中经常将点云转换为常规的3D体素网格或图像集合，然后再馈入神经网络，这导致数据量巨大且会有量化伪像，如何利用点云的信息价值是现在的热点问题。
存在的问题：
①图形卷积神经网络（GCNN）将CNN推广到图形。关键的想法是利用光谱图理论考虑光谱域中图的卷积。然而，这需要图拉普拉斯矩阵的特征分解描述图的连通性，这在计算上是昂贵的。因此，有几种方法建议通过空间滤波逼近谱域中的卷积，（例如切比雪夫多项式，Lanczos方法，Cayley多项式）然而，图拉普拉斯矩阵总是固定的，它无法代表学习过程中动态图的结构。
②GCNN已经在半监督分类中显示出其效率，但尚未将其部署到点云分割。
论文的贡献：
①为了解决上述问题，提出了一种用于点云分割的正则化图卷积神经网络（RGCNN），如图1所示，RGCNN将点的特征视为图形信号
最低0.47元/天 解锁文章
621
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
