Réseau de neurones convolutif guidé par un octree avec des noyaux sphériques pour les nuages de points 3D

Nous proposons une architecture de réseau neuronal guidée par un octree et des noyaux de convolution sphériques pour l'apprentissage automatique à partir de nuages de points 3D arbitraires. Cette architecture tire parti de la nature éparsse des nuages de points irréguliers et affine hiérarchiquement la représentation des données grâce à la partition spatiale. Parallèlement, les noyaux sphériques proposés quantifient systématiquement les voisinages de points pour identifier les structures géométriques locales dans les données, tout en conservant les propriétés d'invariance aux translations et d'asymétrie. Nous définissons ces noyaux sphériques avec l'aide de neurones du réseau qui sont associés à des emplacements spatiaux. Nous exploitons cette association pour éviter la génération dynamique des noyaux pendant l'entraînement du réseau, ce qui permet un apprentissage efficace avec des nuages de points à haute résolution. L'efficacité de la technique proposée est établie sur les tâches de référence de classification et segmentation d'objets 3D, atteignant un nouveau niveau d'excellence sur les jeux de données ShapeNet et RueMonge2014.