Conv 【泡泡点云时空】PointConv: 3D点云的深度卷积网络

当你泡点云空的时候，带你去看点云领域的顶级会议文章

标题:点云:3D点云上的深度自愿网络

编译:冯拓

欢迎个人转发朋友圈；如果其他机构或自媒体需要转载，在后台留言申请授权

抽象的

与传统的密集网格表示的图像不同，三维点云数据是不规则和无序的，因此很难对三维点云数据进行卷积运算。在本文中，我们将动态滤波器扩展为一种新的卷积运算，命名为PointConv，它可以用于点云数据，以创建一个深度卷积网络。我们认为卷积核是由权重函数和密度函数组成的三维点的局部坐标的非线性函数。对于给定点，权重函数通过使用多层感知器网络和密度函数的核密度估计来学习。这项工作最重要的贡献是提出了一种有效计算权重函数的新思路，使我们能够大大扩展网络，显著提高网络性能。学习到的卷积核可用于计算3D空中任意点集上的平移不变卷积和置换不变卷积。此外，PointConv还可以用作反卷积运算符，将子采样点云中的要素传播回其原始分辨率。在ModelNet40、ShapeNet和ScanNet上的实验表明，基于PointConv的深度卷积神经网络在三维点云语义分割基准上可以达到最高水平。此外，我们将CIFAR-10转换为点云的实验表明，基于PointConv构建的网络可以达到2D图像中结构相似的卷积网络的性能。

论文链接:https://arxiv.org/abs/1811.07246

来源链接:https://github.com/DylanWusee/pointconv

主要贡献

卷积核被认为是由权重函数和密度函数组成的三维点的局部坐标的非线性函数。对于给定点，权重函数通过使用多层感知器网络和密度函数的核密度估计来学习。这项工作最重要的贡献是提出了一种有效计算权重函数的新思路，使我们能够大大扩展网络，显著提高网络性能。本文的工作贡献是:

提出了PointConv：PointConv是一种密度重加权卷积，它能够在任何一组3D点上完全逼近3D连续卷积；引入了一种有效提高存储效率的方法来实现PointConv，能够使用改变求和顺序的重构来大大提高存储器效率。最重要的是，它允许它扩展到现代CNN的规模。该方法可以实现与2D卷积网络中相同的平移不变性，以及点云中点的排序的不变性；将PointConv扩展到反卷积—PointDeconv，获得更好的分割结果，而大多数先进算法不能实现反卷积操作。

算法框架

1.三维点云卷积

泡泡机器人SLAM的原创内容是泡泡机器人的成员花了很大力气做出来的。希望大家珍惜我们的劳动成果。请注明来源于【泡泡机器人SLAM】微信微信官方账号，否则追究侵权！同时，我们也欢迎大家转载到自己的朋友圈，让更多的人进入SLAM领域，让我们一起为推动SLAM在中国的事业而努力！

如需业务合作和转载，请联系liufuqiang_robot@hotmail.com