RGCNN公司

RGCNN:用于点云分割的正则化图CNN。随着深度传感技术和三维激光扫描技术的发展,点云作为一种高效的三维物体表示方法已成为研究热点。它在三维远程存在、无人驾驶飞行器导航和遗产重建等诸多应用领域引起了人们的关注。对点云的理解,如点云分割,对于挖掘点云在此类应用中的信息价值至关重要。由于数据格式的不规则性,以往的深度学习工作往往将点云转换成规则的三维体素网格或图像集合,再将其输入神经网络,从而导致大量的数据和量化伪影。在本文中,我们提出了一种直接消耗点云的正则化图卷积神经网络(RGCNN)。利用谱图论,将点云中点的特征视为图上的信号,用切比雪夫多项式逼近定义图上的卷积。特别地,我们根据相应的学习特征更新描述各层特征连通性的图Laplacian矩阵,自适应地捕捉动态图的结构。此外,我们在损失函数中加入了一个图信号平滑先验,从而使学习过程正规化。实验结果表明,ShapeNet算法的计算复杂度明显降低。实验表明,与其他方法相比,RGCNN对噪声和点云密度都有更好的鲁棒性。我们进一步将RGCNN应用于点云分类,并在ModelNet40数据集上取得了具有竞争力的结果。

此软件的关键字

这里的任何内容都将在支持canvas元素的浏览器上被替换


zbMATH中的参考文献(参考文献1条)

显示结果1/1。
按年份排序(引用)

  1. Jens Behley,Martin Garbade,Andres Milioto,Jan Quenzel,Sven Behnke,Cyrill Stachniss,Juergen Gall:SemanticKITTI:LiDAR序列语义场景理解数据集(2019)阿尔十四