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