论文阅读:KPConv: Flexible and Deformable Convolution for Point Clouds

论文地址:KPConv: Flexible and Deformable Convolution for Point Clouds

本文提出里一种新的适用于点云的卷积方式,不需要使用点云的任何其他中间表达形式(如将点云投影到2d,或使用提速网格等)

这种卷积方式比固定化的网格卷积要更灵活(对于点云的分类和分割任务来说)

KPConv全称Kernel Point Convolution,使用一系列局部的3d卷积核,不同于网格卷积,卷积核是一系列带有权重的kernel points组成的,每个kernel point都有一个影响距离(influence distance)。

论文阅读:KPConv: Flexible and Deformable Convolution for Point Clouds_第1张图片

常见的网格卷积如下图:

论文阅读:KPConv: Flexible and Deformable Convolution for Point Clouds_第2张图片

而KPConv的卷积方式为:

论文阅读:KPConv: Flexible and Deformable Convolution for Point Clouds_第3张图片

使用卷积核 g 在点处的点卷积 F 定义为:

其中 xi 为输入点云中 x 的邻点,fi 为点对应的特征

xi 为以 x 为中心,r 为半径的区域内的点

,卷积核 g 定义的区域为一个球体

g 内的kernel points为,对应的权重为

在任意点上的kernel function g 定义为

其中函数 h 定义了输入点 yi 和卷积核内的点之间的关联:

yi和越接近,h就越大,其中的为kernel point的影响距离,一般由输入点云的密集度决定。

以上讲的是刚性(rigid)的卷积核,还有一种可变形(deformable)的卷积核。

在deformable kernel的情况下,网络会生成包含 K 个偏移量的集合,这个偏移作用在kernel points上面,使得kernel能够拟合到输入点云上。相关定义如下:

论文阅读:KPConv: Flexible and Deformable Convolution for Point Clouds_第4张图片

图示如下:

论文阅读:KPConv: Flexible and Deformable Convolution for Point Clouds_第5张图片

在损失函数中要添加一系列正则化项来进行约束,主要分为两部分:拟合项和互斥项

论文阅读:KPConv: Flexible and Deformable Convolution for Point Clouds_第6张图片

拟合项用来约束kernel point和输入点云中距离该kernel point最近的点之间的距离

互斥项用来防止kernel point在偏移后聚集在一起

你可能感兴趣的:(深度学习,深度学习,点云,语义分割)