摘要
尽管近年来基于深度卷积神经网络（CNN）对三维点云进行分类取得了显著进展，但诸如旋转和平移等大尺度几何变换仍构成重大挑战，严重影响最终的分类性能。为应对这一难题，本文提出几何共享网络（Geometry Sharing Network, GS-Net），该网络通过整合全局上下文信息，有效学习点特征描述子，从而增强对几何变换的鲁棒性。与以往在邻近点上执行卷积操作的三维点云CNN不同，GS-Net能够以更加全局的方式聚合点特征。具体而言，GS-Net由几何相似性连接（Geometry Similarity Connection, GSC）模块构成，该模块利用特征图（Eigen-Graph）将空间上相距较远但具有相似且相关几何信息的点进行分组，并在欧几里得空间与特征值空间中分别聚合最近邻点的特征。这一设计使得GS-Net能够高效捕捉局部与全局几何特征，如对称性、曲率、凸性以及连通性。理论上，我们证明了在特征值空间中每个点的最近邻点在旋转和平移变换下保持不变。我们在公开数据集ModelNet40和ShapeNet Part上进行了大量实验。实验结果表明，GS-Net在主流数据集上均取得了当前最优的性能，在ModelNet40上达到93.3%的分类准确率，并展现出更强的几何变换鲁棒性。