ODFNet: Using orientation distribution functions to characterize 3D point clouds

要約

順序不変の点群構造は依然としてニューラルネットワークアーキテクチャの設計に課題を提示するため、3D点群の新しい表現を学習することは3Dビジョンの活発な研究分野です。
最近の研究では、点群のグローバルまたはローカルの特徴、あるいはその両方を学習することを検討しましたが、以前の方法では、ポイントのローカル方向分布を分析することによってコンテキスト形状情報をキャプチャすることに焦点を当てていませんでした。
この論文では、点群の表現力豊かな局所近隣表現を得るために、点の周りの点の向きの分布を活用します。
これは、特定のポイントの球形の近傍を事前定義された円錐ボリュームに分割することで実現され、各ボリューム内の統計がポイントの特徴として使用されます。
このようにして、ローカルパッチは、選択したポイントの最近傍だけでなく、ポイントの周囲の複数の方向に沿って定義されたポイント密度分布を考慮して表すことができます。
次に、mlp（多層パーセプトロン）層に依存するODFBlockを含む方向分布関数（ODF）ニューラルネットワークを構築できます。
新しいODFNetモデルは、ModelNet40およびScanObjectNNデータセットでのオブジェクト分類、およびShapeNetS3DISデータセットでのセグメンテーションの最先端の精度を実現します。

要約(オリジナル)

Learning new representations of 3D point clouds is an active research area in 3D vision, as the order-invariant point cloud structure still presents challenges to the design of neural network architectures. Recent works explored learning either global or local features or both for point clouds, however none of the earlier methods focused on capturing contextual shape information by analysing local orientation distribution of points. In this paper, we leverage on point orientation distributions around a point in order to obtain an expressive local neighborhood representation for point clouds. We achieve this by dividing the spherical neighborhood of a given point into predefined cone volumes, and statistics inside each volume are used as point features. In this way, a local patch can be represented by not only the selected point’s nearest neighbors, but also considering a point density distribution defined along multiple orientations around the point. We are then able to construct an orientation distribution function (ODF) neural network that involves an ODFBlock which relies on mlp (multi-layer perceptron) layers. The new ODFNet model achieves state-of the-art accuracy for object classification on ModelNet40 and ScanObjectNN datasets, and segmentation on ShapeNet S3DIS datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google