【论文研读】PointGrid(2018cvpr,point cloud)

Autuor:Truc Le and Ye Duan——University of Missoruri

 

Introduction

作者提出PointGrid,这是一个三维卷积网络, 它是点和网格的集成,是一种可以更好地表示局部几何形状细节的混合模型

在每一个grid cell,保持points num=K(作者选取16*16*16,对比VNet的64*64*64小多了)

比现有的方法更好:Point Net [38], PointNet++ [40], Kd-Net [27], O-CNN [55] and Oct-Net

【论文研读】PointGrid(2018cvpr,point cloud)_第1张图片

基本思想:输入点云数据xyz,放置到16*16*16的立方体中,每个小单元cell选取4(K)个点。每个 cell 的feature为k个点的xyz坐标,则每个cell有3K个feature。

 

PointGrid

一、数据预处理

1、把点云数据限制到[-1,1]^3

2、把每个cell中的点数限制为K个——Point Quantization

    >k:down-sample 降采样

   

    =0:这个cell的feature均为0(empty cell)

二、网络构架

【论文研读】PointGrid(2018cvpr,point cloud)_第2张图片

1、Classification Network

组成:

       conv层:kernel:3*3*3、stride=1的conv + a batch normalization + a rectified linear unit (ReLU)

                     每个block分别用了32、64、128、256个filter

       pooling:max pooling,无其他变换,仅为了缩小grid size从而减少参数个数

       two fully connected layers:a fully connected layer, a ReLU activation and a dropout layer (with dropout rate 0.3)

       最后一层fully connected layer:分类预测

2、Segmentation Network

classification network 的特征提取部分+decode部分(与encode对称)

Loss = a linear combination of classification loss and segmentation loss.

Output:K + 1 labels for each cell in the 3D grid。其中 K labels correspond to K points in that cell,剩下一个是cell-level label.

       ground truth labels for object parts at the cell-level:取每个cell中所有点的的主要label。

                                                                                           没有点的labeled as “no label”

 

Experiments

70% of the dataset is used for training, 10% for validation, and 20% for testing

For each model, 选取1024 points on the surface

【论文研读】PointGrid(2018cvpr,point cloud)_第3张图片

【论文研读】PointGrid(2018cvpr,point cloud)_第4张图片

【论文研读】PointGrid(2018cvpr,point cloud)_第5张图片

 

论文参考:PointGrid: A Deep Network for 3D Shape Understanding

你可能感兴趣的:(论文研读)