SO-Net: Selbstorganisierendes Netzwerk für Punktwolkenanalyse

Dieses Papier stellt SO-Net vor, eine permutationsinvariante Architektur für tiefes Lernen mit ungeordneten Punktwolken. SO-Net modelliert die räumliche Verteilung der Punktwolke durch die Erstellung einer Selbstorganisierenden Karte (Self-Organizing Map, SOM). Auf Basis der SOM führt SO-Net hierarchische Merkmalsextraktion sowohl an einzelnen Punkten als auch an SOM-Knoten durch und repräsentiert letztendlich die Eingabepunktwolke durch einen einzigen Merkmalsvektor. Das Rezeptivfeld des Netzes kann systematisch angepasst werden, indem eine k-nearest-neighbor-Suche von Punkt zu Knoten durchgeführt wird. Bei Erkennungsaufgaben wie der Rekonstruktion von Punktwolken, Klassifikation, Segmentierung von Objektteilen und Formsuche zeigt unser vorgeschlagenes Netzwerk Leistungen, die denen der besten bisher bekannten Ansätze entsprechen oder sogar übertreffen. Zudem ist die Trainingsgeschwindigkeit dank der Parallelisierbarkeit und Einfachheit der vorgeschlagenen Architektur erheblich schneller als bei bestehenden Punktwolken-Erkennungsnetzwerken. Unser Code ist auf der Projektwebsite verfügbar: https://github.com/lijx10/SO-Net