PointNet++: التعلم العميقي للميزات الهرمية على مجموعات النقاط في فضاء متري

قليل من الأعمال السابقة تدرس التعلم العميق على مجموعات النقاط. يعتبر PointNet الذي طوره Qi وآخرون رائداً في هذا الاتجاه. ومع ذلك، بتصميمه، لا يتمكن PointNet من التقاط الهياكل المحلية التي ينتجها الفضاء المتري الذي تعيش فيه النقاط، مما يحد من قدرته على التعرف على الأنماط الدقيقة والقابلية للتعميم إلى المشاهد المعقدة. في هذا العمل، نقدم شبكة عصبية هرمية تطبق PointNet بشكل متكرر على تقسيم متداخل للمجموعة النقطية المدخلة. من خلال استغلال المسافات في الفضاء المتري، تكون شبكتنا قادرة على تعلم الخصائص المحلية بمقياس سياقي متزايد. مع ملاحظة إضافية أن مجموعات النقاط غالبًا ما يتم أخذ عينات منها بكثافات متفاوتة، مما يؤدي إلى انخفاض كبير في الأداء للشبكات التي تم تدريبها على كثافات موحدة، نقترح طبقات تعلم جديدة لمجموعات النقاط لدمج الخصائص من عدة مقاييس بشكل تكيفي. تظهر التجارب أن شبكتنا التي نطلق عليها PointNet++ قادرة على تعلم الخصائص العميقة لمجموعات النقاط بكفاءة ومتانة. وبشكل خاص، تم الحصول على نتائج أفضل بكثير من الحالة المعاصرة لأفضل الأداء (state-of-the-art) في مقاييس صعبة للسحابات النقطية ثلاثية الأبعاد.