Réseaux de Neurones Convolutifs par Opérateurs d'Extension

Ce document présente les Réseaux Neuronaux Convolutifs sur Nuages de Points (PCNN) : un cadre novateur pour l'application des réseaux neuronaux convolutifs aux nuages de points. Ce cadre est composé de deux opérateurs : l'extension et la restriction, qui cartographient les fonctions sur les nuages de points vers des fonctions volumétriques et vice versa. La convolution sur nuage de points est définie par le tiré en arrière (pull-back) de la convolution volumétrique euclidienne via un mécanisme d'extension-restriction.La convolution sur nuage de points est efficace sur le plan computationnel, invariante à l'ordre des points dans le nuage, robuste face à différents échantillonnages et densités variables, et invariante par translation, c'est-à-dire que le même noyau de convolution est utilisé pour tous les points. Les PCNN généralisent les CNN d'images et permettent une adaptation facile de leurs architectures au contexte des nuages de points.L'évaluation des PCNN sur trois benchmarks centraux en apprentissage sur nuages de points montre qu'ils surpassent nettement les méthodes concurrentes d'apprentissage sur nuages de points, ainsi que la grande majorité des méthodes travaillant avec des représentations plus informatives des formes, telles que les surfaces et/ou les normales.