AGConv: Adaptive Graph Convolution on 3D Point Clouds

要約

3次元点群に対する畳み込みは、幾何学的深層学習において広く研究されているが、完璧とは言い難い。伝統的な畳み込みの知恵は、3D点間で区別なく特徴対応を特徴付け、貧弱な特徴学習の本質的な制限を発生させる。本論文では、点群解析の幅広い応用のために、適応的グラフ畳み込み（AGConv）を提案する。AGConvは、動的に学習された特徴量に応じて、点群に対して適応的なカーネルを生成する。固定/等方性カーネルを用いた解決策と比較して、AGConvは点群畳み込みの柔軟性を向上させ、異なる意味的部分からの点間の多様な関係を効果的かつ正確に捕らえることができる。AGConvは、一般的なアテンションウェイト方式とは異なり、単に隣接する点に異なるウェイトを割り当てるのではなく、畳み込み演算の内部に適応性を実装しています。また、AGConvは、より多くの点群解析手法に柔軟に対応し、その性能を向上させることが可能である。AGConvの柔軟性と有効性を検証するために、AGConvに基づく補完、ノイズ除去、アップサンプリング、レジストレーション、円抽出のパラダイムを探求し、競合他社と同等かそれ以上の性能を発揮している。我々のコードは https://github.com/hrzhou2/AdaptConv-master で入手可能です。

要約(オリジナル)

Convolution on 3D point clouds is widely researched yet far from perfect in geometric deep learning. The traditional wisdom of convolution characterises feature correspondences indistinguishably among 3D points, arising an intrinsic limitation of poor distinctive feature learning. In this paper, we propose Adaptive Graph Convolution (AGConv) for wide applications of point cloud analysis. AGConv generates adaptive kernels for points according to their dynamically learned features. Compared with the solution of using fixed/isotropic kernels, AGConv improves the flexibility of point cloud convolutions, effectively and precisely capturing the diverse relations between points from different semantic parts. Unlike the popular attentional weight schemes, AGConv implements the adaptiveness inside the convolution operation instead of simply assigning different weights to the neighboring points. Extensive evaluations clearly show that our method outperforms state-of-the-arts of point cloud classification and segmentation on various benchmark datasets.Meanwhile, AGConv can flexibly serve more point cloud analysis approaches to boost their performance. To validate its flexibility and effectiveness, we explore AGConv-based paradigms of completion, denoising, upsampling, registration and circle extraction, which are comparable or even superior to their competitors. Our code is available at https://github.com/hrzhou2/AdaptConv-master.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL