CNN الديناميكي للرسوم البيانية لتعلم النقاط السحابية

تقدم النقاط السحابية تمثيلاً هندسياً مرناً مناسباً لعديد من التطبيقات في الرسومات الحاسوبية؛ كما أنها تشكل الإخراج الأولي لأغلب أجهزة اكتساب البيانات ثلاثية الأبعاد. رغم أن الخصائص المصممة يدوياً على النقاط السحابية قد اقترحت منذ فترة طويلة في مجالات الرسومات والرؤية، فإن النجاح الكبير الأخير للشبكات العصبية التلافيفية (CNNs) في تحليل الصور يشير إلى قيمة تكييف الرؤى المستفادة من الشبكات العصبية التلافيفية لعالم النقاط السحابية. تعاني النقاط السحابية بطبيعتها من نقص المعلومات الطوبولوجية، لذا فإن تصميم نموذج يستعيد هذه المعلومات يمكن أن يغني قوة التمثيل للنقاط السحابية. لتحقيق هذا الهدف، نقترح وحدة شبكة عصبية جديدة أطلقنا عليها اسم EdgeConv وهي ملائمة للمهام العليا القائمة على الشبكات العصبية التلافيفية على النقاط السحابية، مثل التصنيف والتقطيع.تعمل وحدة EdgeConv على الرسوم البيانية التي يتم حسابها ديناميكياً في كل طبقة من طبقات الشبكة. إنها قابلة للتفاضل ويمكن دمجها في المعماريات الموجودة. بالمقارنة مع الوحدات الحالية التي تعمل في الفضاء الخارجي أو تعالج كل نقطة بشكل مستقل، فإن EdgeConv تتمتع بعدة خصائص جاذبة: فهي تدمج معلومات الجوار المحلي؛ يمكن تطبيقها بشكل متراكم لتعلم خواص الشكل العالمية؛ وفي الأنظمة المتعددة الطبقات، فإن القرب في فضاء الخصائص يلتقط الخصائص الدلالية عبر المسافات المحتملة الطويلة في التضمين الأصلي. نعرض أداء نموذجنا على مقاييس معيارية مثل ModelNet40 وShapeNetPart وS3DIS.