Octree-gesteuerte CNN mit sphärischen Kernen für 3D-Punktwolken

Wir schlagen eine neuronale Netzwerkarchitektur an, die von einem Oktree geleitet wird, sowie sphärische Faltungskerne für das maschinelle Lernen aus beliebigen 3D-Punktwolken vor. Die Netzwerkarchitektur nutzt die dünn besetzte Natur unregelmäßiger Punktwolken und vergröbert die Datenrepräsentation hierarchisch durch Raumzerlegung. Gleichzeitig quantisieren die vorgeschlagenen sphärischen Kerne systematisch die Punktnachbarschaften, um lokale geometrische Strukturen in den Daten zu identifizieren, während sie die Eigenschaften der Translationsinvarianz und Asymmetrie beibehalten. Wir definieren sphärische Kerne mit Hilfe von Netzwerknervenzellen, die ihrerseits mit räumlichen Positionen assoziiert sind. Diese Assoziation nutzen wir, um die dynamische Kernelgenerierung während des Netzwerklernprozesses zu vermeiden, was effizientes Lernen mit hochaufgelösten Punktwolken ermöglicht. Die Effektivität der vorgeschlagenen Technik wird anhand der Benchmark-Aufgaben der 3D-Objektklassifikation und -Segmentierung bewiesen, wobei neue Standarts auf den Datensätzen ShapeNet und RueMonge2014 erreicht werden.