PointNet++: Tiefes hierarchisches Merkmalslernen auf Punktmengen in einem metrischen Raum

Wenige frühere Arbeiten befassen sich mit dem tiefen Lernen auf Punktmengen. PointNet von Qi et al. ist ein Pionier in dieser Richtung. Allerdings ist PointNet nach seiner Konzeption nicht in der Lage, lokale Strukturen zu erfassen, die durch den metrischen Raum induziert werden, in dem die Punkte existieren. Dies begrenzt seine Fähigkeit, feingranulare Muster zu erkennen und seine Anwendbarkeit auf komplexe Szenen. In dieser Arbeit stellen wir ein hierarchisches neuronales Netzwerk vor, das PointNet rekursiv auf einer verschachtelten Partitionierung der Eingabepunktmengen anwendet. Durch die Ausnutzung von metrischen Abständen kann unser Netzwerk lokale Merkmale mit steigenden kontextuellen Skalen lernen. Da Punktmengen in der Regel mit unterschiedlichen Dichten abgetastet werden, was die Leistungsfähigkeit von Netzen, die auf uniformen Dichten trainiert wurden, erheblich verringert, schlagen wir neue Set-Learning-Schichten vor, um Merkmale aus mehreren Skalen adaptiv zu kombinieren. Experimente zeigen, dass unser Netzwerk, genannt PointNet++, effizient und robust tiefe Punktmengenmerkmale lernen kann. Insbesondere wurden bei anspruchsvollen Benchmarks von 3D-Punktwolken signifikant bessere Ergebnisse als der aktuelle Stand der Technik erzielt.