Réseau de partage de géométrie pour la classification et la segmentation de nuages de points 3D

Malgré les progrès récents dans la classification des nuages de points 3D à l’aide de réseaux de neurones convolutifs profonds (CNN), les transformations géométriques importantes telles que la rotation et la translation restent un défi majeur, affectant négativement la performance finale de classification. Pour relever ce défi, nous proposons Geometry Sharing Network (GS-Net), un modèle qui apprend efficacement des descripteurs de points en intégrant un contexte global, afin d’améliorer la robustesse aux transformations géométriques. Contrairement aux CNN 3D précédents, qui appliquent la convolution uniquement aux points voisins, GS-Net permet une agrégation des caractéristiques de manière plus globale. Plus précisément, GS-Net est composé de modules Geometry Similarity Connection (GSC), qui exploitent un Eigen-Graph pour regrouper des points éloignés présentant des informations géométriques similaires et pertinentes, tout en agrégant les caractéristiques des voisins les plus proches à la fois dans l’espace euclidien et dans l’espace des valeurs propres (eigenvalue space). Cette architecture permet à GS-Net de capturer efficacement à la fois les caractéristiques géométriques locales et globales, telles que la symétrie, la courbure, la convexité et la connectivité. Théoriquement, nous démontrons que les voisins les plus proches d’un point dans l’espace des valeurs propres sont invariants par rotation et translation. Nous menons des expériences étendues sur des jeux de données publics, ModelNet40 et ShapeNet Part. Les résultats montrent que GS-Net atteint des performances de pointe sur les principales bases de données, avec un taux de classification de 93,3 % sur ModelNet40, tout en étant plus robuste aux transformations géométriques.