PointCNN: 在$\mathcal{X}$-变换点上进行卷积

我们提出了一种简单且通用的点云特征学习框架。卷积神经网络（CNNs）成功的关键在于卷积算子，该算子能够在以网格形式密集表示的数据（如图像）中利用空间局部相关性。然而，点云数据是不规则且无序的，因此直接对与点相关的特征进行卷积操作会导致形状信息的丢失以及对点顺序的敏感性。为了解决这些问题，我们提出从输入点中学习一种$\mathcal{X}$-变换，以同时促进两个目标。第一个目标是对与点相关的输入特征进行加权，第二个目标是将点排列到一个潜在的、可能是规范的顺序中。随后，典型的卷积算子中的元素乘法和求和操作被应用于$\mathcal{X}$-变换后的特征上。所提出的方法可以看作是典型CNNs在点云特征学习上的推广，因此我们将其称为PointCNN。实验结果表明，PointCNN在多个具有挑战性的基准数据集和任务上达到了与现有最先进方法相当或更好的性能。