PointNet: Tiefes Lernen auf Punktmengen für die 3D-Klassifizierung und -Segmentierung

Punktewolke ist eine wichtige Art von geometrischer Datenstruktur. Aufgrund ihres unregelmäßigen Formats transformieren die meisten Forscher solche Daten in reguläre 3D-Voxelgitter oder Sammlungen von Bildern. Dies führt jedoch zu unnötig umfangreichen Daten und verursacht Probleme. In dieser Arbeit entwickeln wir ein neues neuronales Netzwerk, das Punktewolken direkt verarbeitet und die Permutationsinvarianz der Punkte im Eingang berücksichtigt. Unser Netzwerk, PointNet genannt, bietet eine einheitliche Architektur für Anwendungen, die von Objektklassifikation über Teilsegmentierung bis hin zur semantischen Szeneanalyse reichen. Obwohl einfach, ist PointNet sehr effizient und wirksam. Empirisch zeigt es eine starke Leistung, die mit dem aktuellen Stand der Technik vergleichbar oder sogar besser ist. Theoretisch liefern wir Analysen zum Verständnis dessen, was das Netzwerk gelernt hat und warum es robust gegenüber Eingangsveränderungen und -verfälschungen ist (input perturbation and corruption).