摘要
在本研究中，我们提出了扩张点卷积（Dilated Point Convolutions, DPC）。通过详尽的消融实验，我们展示了感受野大小与3D点云处理任务性能之间的直接关系，这些任务包括语义分割和物体分类。点卷积被广泛用于高效处理诸如点云或图等3D数据表示。然而，我们观察到最近的点卷积网络的感受野大小存在固有限制。我们的扩张点卷积解决了这一问题，显著增加了点卷积的感受野大小。重要的是，我们的扩张机制可以轻松集成到大多数现有的点卷积网络中。为了评估生成的网络架构，我们可视化了感受野，并在流行的点云基准测试中报告了具有竞争力的分数。