Point Convolutional Neural Networks durch Erweiterungsoperatoren

Dieses Papier stellt Point Convolutional Neural Networks (PCNN) vor: einen neuen Ansatz zur Anwendung von Faltungsneuronalen Netzen auf Punktwolken. Das Framework besteht aus zwei Operatoren: Erweiterung und Restriktion, die Funktionen von Punktwolken in volumetrische Funktionen und umgekehrt abbilden. Eine Faltung von Punktwolken wird durch das Zurückziehen der euklidischen Volumenfaltung mittels eines Erweiterungs-Restriktions-Mechanismus definiert.Die Punktwolkenfaltung ist rechnerisch effizient, invariant gegenüber der Reihenfolge der Punkte in der Punktwolke, robust gegenüber unterschiedlichen Abtastungen und variierenden Dichten und translationsinvariant, d.h., dass das gleiche Faltungskern an allen Punkten verwendet wird. PCNN verallgemeinert Bild-CNNs und ermöglicht es, ihre Architekturen leicht auf den Kontext von Punktwolken anzupassen.Die Auswertung von PCNN an drei zentralen Benchmarks für das Lernen mit Punktwolken überzeugt durch eine deutliche Überlegenheit gegenüber konkurrierenden Methoden des Lernens mit Punktwolken sowie gegenüber den meisten Verfahren, die mit informativeren Formdarstellungen wie Oberflächen und/oder Normalen arbeiten.