SpiderCNN : Apprentissage profond sur des ensembles de points avec des filtres de convolution paramétrés

Les réseaux neuronaux profonds ont connu un succès remarquable pour diverses tâches de vision, cependant il reste difficile d'appliquer les CNN (Convolutional Neural Networks) à des domaines qui ne possèdent pas une structure sous-jacente régulière, comme les nuages de points 3D. Pour répondre à ce défi, nous proposons une nouvelle architecture de convolution, nommée SpiderCNN, capable d'extraire efficacement des caractéristiques géométriques à partir de nuages de points. SpiderCNN est composé d'unités appelées SpiderConv, qui étendent les opérations de convolution des grilles régulières aux ensembles de points irréguliers pouvant être plongés dans R^n, en paramétrisant une famille de filtres de convolution. Nous concevons le filtre comme le produit d'une fonction échelon simple qui capture l'information géodésique locale et d'un polynôme de Taylor qui garantit l'expressivité. SpiderCNN hérite de l'architecture hiérarchique multi-échelle des CNN classiques, ce qui lui permet d'extraire des caractéristiques sémantiques profondes. Les expériences menées sur ModelNet40 montrent que SpiderCNN atteint une précision record de 92,4 % sur les benchmarks standards et présente des performances compétitives pour la tâche de segmentation.