PointNet++ : Apprentissage hiérarchique de caractéristiques profondes sur des ensembles de points dans un espace métrique

Peu d'études antérieures se sont penchées sur l'apprentissage profond appliqué aux ensembles de points. PointNet, développé par Qi et al., est un pionnier dans ce domaine. Cependant, par conception, PointNet ne capture pas les structures locales induites par l'espace métrique dans lequel les points existent, limitant ainsi sa capacité à reconnaître des motifs fins et sa généralisabilité aux scènes complexes. Dans cette étude, nous introduisons un réseau neuronal hiérarchique qui applique récursivement PointNet sur une partition imbriquée de l'ensemble de points d'entrée. En exploitant les distances dans l'espace métrique, notre réseau est capable d'apprendre des caractéristiques locales avec des échelles contextuelles croissantes. Observant également que les ensembles de points sont généralement échantillonnés avec des densités variables, ce qui entraîne une diminution importante des performances pour les réseaux formés sur des densités uniformes, nous proposons de nouvelles couches d'apprentissage d'ensembles pour combiner adaptativement les caractéristiques provenant de plusieurs échelles. Les expériences montrent que notre réseau appelé PointNet++ est capable d'apprendre efficacement et robustement des caractéristiques profondes d'ensembles de points. En particulier, des résultats nettement supérieurs à l'état de l'art ont été obtenus sur des benchmarks difficiles de nuages de points 3D.