摘要
我们提出了一种从点云中进行特征学习的简单且通用的框架。卷积神经网络（CNN）成功的关键在于卷积算子，该算子能够有效利用以规则网格形式密集表示的数据（如图像）中的空间局部相关性。然而，点云具有不规则性和无序性，若直接对点的特征进行核卷积操作，将导致形状信息丢失，且结果对点的排列顺序敏感。为解决上述问题，我们提出从输入点中学习一种X-变换（X-transformation），该变换可同时对点的输入特征进行加权，并将其重新排列至潜在的规范顺序。随后，在经过X-变换后的特征上应用典型的逐元素乘积与求和操作，实现类似卷积的运算。所提出的方法是传统CNN在点云特征学习中的自然推广，因此我们将其命名为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，性能达到或超越当前最先进的方法。