摘要
点云数据是无结构和无序的，与图像不同。因此，大多数为图像开发的机器学习方法无法直接应用于点云。在本文中，我们提出了一种离散卷积神经网络（CNN）的泛化方法，通过用连续核代替离散核来处理点云数据。该方法简单明了，允许任意大小的点云，并且可以像设计二维CNN一样轻松地用于设计神经网络。我们展示了使用不同架构的实验结果，突出了所提方法的灵活性。在大规模点云的形状分类、部件分割和语义分割任务上，我们的方法取得了与现有最佳方法相当的结果。
点云数据是无结构和无序的，与图像不同。因此，大多数为图像开发的机器学习方法无法直接应用于点云。在本文中，我们提出了一种离散卷积神经网络（CNN）的泛化方法，通过用连续核代替离散核来处理点云数据。该方法简单明了，允许任意大小的点云，并且可以像设计二维CNN一样轻松地用于设计神经网络。我们展示了使用不同架构的实验结果，突出了所提方法的灵活性。在大规模点云的形状分类、部件分割和语义分割任务上，我们的方法取得了与现有最佳方法相当的结果。