动态图卷积神经网络在点云学习中的应用

点云提供了一种灵活的几何表示方法，适用于计算机图形学中的无数应用；它们也是大多数3D数据采集设备的原始输出。尽管在图形学和视觉领域中，针对点云的手工设计特征早已被提出，但卷积神经网络（CNN）在图像分析方面取得的巨大成功表明，将CNN的见解应用于点云世界具有重要价值。点云本身缺乏拓扑信息，因此设计一种能够恢复拓扑结构的模型可以增强点云的表示能力。为此，我们提出了一种新的神经网络模块——EdgeConv，适用于基于CNN的点云高级任务，如分类和分割。EdgeConv 在网络的每一层动态计算的图上进行操作。它是可微分的，并且可以集成到现有的架构中。与在外部空间操作或独立处理每个点的现有模块相比，EdgeConv 具有多个吸引人的特性：它结合了局部邻域信息；可以通过堆叠应用来学习全局形状属性；并且在多层系统中，特征空间中的亲和力可以在原始嵌入中捕获潜在的长距离语义特征。我们在标准基准测试集上展示了我们模型的性能，包括ModelNet40、ShapeNetPart 和 S3DIS。