Relation-Shape Faltungsneuronales Netzwerk für die Analyse von Punktwolken

Die Analyse von Punktwolken ist sehr herausfordernd, da die in unregelmäßigen Punkten implizierte Form schwer zu erfassen ist. In dieser Arbeit schlagen wir RS-CNN vor, das heißt, Relation-Shape Convolutional Neural Network (Relation-Shape Faltungsneuronales Netzwerk), welches reguläre Gitter-CNNs auf unregelmäßige Konfigurationen für die Analyse von Punktwolken erweitert. Der Schlüssel zu RS-CNN liegt im Lernen aus Beziehungen, d.h. den geometrischen Topologiebeschränkungen zwischen den Punkten. Speziell wird das Faltungsgewicht für eine lokale Punktmenge dazu gezwungen, eine hochstufige Beziehungsausdrucksweise aus vorgegebenen geometrischen A-priori-Wissen zu lernen, zwischen einem ausgewählten Punkt dieser Menge und den anderen. Auf diese Weise kann eine induktive lokale Darstellung mit expliziter Berücksichtigung der räumlichen Anordnung der Punkte erlangt werden, was zu einer viel größeren Formbewusstheit und Robustheit führt. Mit dieser Faltung als grundlegendem Operator kann RS-CNN, eine hierarchische Architektur, entwickelt werden, um kontextbezogenes formbewusstes Lernen für die Analyse von Punktwolken zu erreichen. Ausführliche Experimente an anspruchsvollen Benchmarks über drei Aufgaben bestätigen, dass RS-CNN den aktuellen Stand der Technik erreicht.