Point2Point : A Framework for Efficient Deep Learning on Hilbert sorted Point Clouds with applications in Spatio-Temporal Occupancy Prediction

要約

点群データの不規則性と順列不変性は、効果的な学習に課題をもたらします。
この問題に対処する従来の方法には、生の点群を 3D ボクセル グリッドや距離画像などの中間表現に変換することが含まれます。
このような中間表現は順列不変性の問題を解決しますが、情報が大幅に失われる可能性があります。
生の点群を学習するアプローチは、点間の近傍関係を解決するのに問題があるか、定式化が複雑すぎるかのいずれかです。
この論文では、ヒルベルト空間充填曲線によって引き起こされる 1D 秩序を維持する局所性として点群を表現するための新しいアプローチを提案します。
また、ヒルベルトソートされた点群で効果的に学習できるニューラル アーキテクチャである Point2Point も紹介します。
Point2Point が点群のセグメンテーションおよび生成タスクで競争力のあるパフォーマンスを示すことを示します。
最後に、点群からの時空間占有予測における Point2Point のパフォーマンスを示します。

要約(オリジナル)

The irregularity and permutation invariance of point cloud data pose challenges for effective learning. Conventional methods for addressing this issue involve converting raw point clouds to intermediate representations such as 3D voxel grids or range images. While such intermediate representations solve the problem of permutation invariance, they can result in significant loss of information. Approaches that do learn on raw point clouds either have trouble in resolving neighborhood relationships between points or are too complicated in their formulation. In this paper, we propose a novel approach to representing point clouds as a locality preserving 1D ordering induced by the Hilbert space-filling curve. We also introduce Point2Point, a neural architecture that can effectively learn on Hilbert-sorted point clouds. We show that Point2Point shows competitive performance on point cloud segmentation and generation tasks. Finally, we show the performance of Point2Point on Spatio-temporal Occupancy prediction from Point clouds.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google