PointConv: Tiefenschablonen-Netzwerke auf 3D-Punktwolken

Im Gegensatz zu Bildern, die in regulären dichten Gittern dargestellt werden, sind 3D-Punktwolken unregelmäßig und ungeordnet, wodurch die Anwendung von Faltungen auf ihnen schwierig sein kann. In dieser Arbeit erweitern wir den dynamischen Filter auf eine neue Faltungsvorgangsweise, die PointConv genannt wird. PointConv kann auf Punktwolken angewendet werden, um tiefe Faltungsnetze (deep convolutional networks) aufzubauen. Wir betrachten Faltungskerne als nichtlineare Funktionen der lokalen Koordinaten von 3D-Punkten, die aus Gewichtsfunktionen und Dichtefunktionen bestehen. Bezüglich eines gegebenen Punkts werden die Gewichtsfunktionen mit mehrschichtigen Perzeptron-Netzen (multi-layer perceptron networks) gelernt und die Dichtefunktionen durch Kernendichteabschätzung (kernel density estimation). Der wichtigste Beitrag dieser Arbeit ist eine neuartige Umformulierung zur effizienten Berechnung der Gewichtsfunktionen, die es uns ermöglichte, das Netzwerk erheblich zu skalieren und seine Leistungsignifikant zu verbessern. Das gelernte Faltungskern kann verwendet werden, um translationsinvariante und permutationsinvariante Faltungen auf jeder beliebigen Punktmenge im 3D-Raum zu berechnen. Zudem kann PointConv auch als Deconvolutionsoperatoren verwendet werden, um Merkmale von einer unterabgetasteten Punktwolke zurück auf ihre ursprüngliche Auflösung zu propagieren. Experimente mit ModelNet40, ShapeNet und ScanNet zeigen, dass tiefgreifende Faltungsneuronale Netze (deep convolutional neural networks), die auf PointConv basieren, in der Lage sind, den Stand der Technik bei anspruchsvollen semantischen Segmentierungsbenchmarktests für 3D-Punktwolken zu erreichen. Darüber hinaus zeigten unsere Experimente zur Konvertierung von CIFAR-10 in eine Punktwolke, dass Netzwerke, die auf PointConv basieren, die Leistung von Faltungsnetzen in 2D-Bildern ähnlicher Struktur erreichen können.请注意，这里“法语读者”应为“德语读者”。上述翻译已根据您的要求进行了调整，以适应德语的表达习惯和科技写作的标准。