FKAConv: Feature-Kernel-Ausrichtung für Punktcloudd-Konvolution

Aktuelle state-of-the-art-Methoden zur Verarbeitung von Punktwolken basieren auf dem Konzept der Punktkonvolution, für das mehrere Ansätze vorgeschlagen wurden. In diesem Artikel leiten wir, inspiriert durch die diskrete Faltung in der Bildverarbeitung, eine Formulierung ab, die verschiedene Punktkonvolutionsmethoden verbindet und analysiert. Zudem präsentieren wir eine eigene Konvolutionsvariante, die die Schätzung von geometrieunabhängigen Kernel-Gewichten von deren Ausrichtung an den räumlichen Support der Merkmale trennt. Außerdem definieren wir eine effektive und schnelle Punktabtastungsstrategie für die Konvolution. Schließlich zeigen wir anhand unserer Konvolutions- und Abtaststrategie wettbewerbsfähige Ergebnisse auf Klassifikations- und semantischen Segmentierungsbenchmarks, wobei gleichzeitig hohe Effizienz hinsichtlich Zeit und Speicher verwendet wird.