Convolution tangente pour la prédiction dense en 3D

Nous présentons une approche d'analyse sémantique de scènes utilisant des réseaux de neurones à convolution profonde. Notre méthode repose sur les convolutions tangentes, une nouvelle construction pour les réseaux de neurones à convolution sur les données 3D. Contrairement aux approches volumétriques, notre méthode opère directement sur la géométrie de surface. De manière cruciale, cette construction est applicable aux nuages de points non structurés et autres données bruitées du monde réel. Nous démontrons que les convolutions tangentes peuvent être évaluées efficacement sur des nuages de points de grande échelle comportant des millions de points. En utilisant les convolutions tangentes, nous concevons un réseau neuronal profond entièrement convolutif pour le segmentionnement sémantique des nuages de points 3D, et l'appliquons à des ensembles de données complexes du monde réel représentant des environnements 3D intérieurs et extérieurs. Les résultats expérimentaux montrent que l'approche présentée surpasses d'autres constructions récentes de réseaux profonds dans l'analyse détaillée de grandes scènes 3D.