Adaptives Mehransichten-Graph-Convolutional-Netzwerk zur Klassifikation und Segmentierung von 3D-Punktwolken

Die Klassifikation und Segmentierung von Punktwolken sind entscheidende Aufgaben für die Punktwolkenverarbeitung und finden breite Anwendung, beispielsweise im autonomen Fahren und beim Greifen durch Roboter. Einige bahnbrechende Methoden, darunter PointNet, VoxNet, DGCNN usw., haben bedeutende Fortschritte erzielt. Allerdings übersehen die meisten dieser Methoden die geometrischen Beziehungen zwischen Punkten in großer Entfernung aus verschiedenen Perspektiven innerhalb der Punktwolke. Diese Vernachlässigung schränkt die Fähigkeit zur Merkmalsextraktion ein und begrenzt folglich jegliche weiteren Verbesserungen bei der Klassifikations- und Segmentierungsgenauigkeit. Um dieses Problem zu adressieren, schlagen wir ein adaptives Mehransichten-Graph-Convolutional-Netzwerk (AM-GCN) vor, das sowohl die globalen geometrischen Merkmale der Punktwolke als auch die lokalen Merkmale innerhalb der Projektionsflächen mehrerer Ansichten durch eine adaptive Graphkonstruktionsmethode umfassend synthetisiert. Zunächst wird ein adaptives Rotationsmodul in AM-GCN vorgeschlagen, um einen günstigeren Blickwinkel für die Projektion vorherzusagen. Anschließend kann ein mehrstufiges Merkmalsextraktionsnetzwerk flexibel durch raum- oder spektralbasierte Graph-Convolution-Schichten aufgebaut werden. Schließlich wird AM-GCN auf ModelNet40 zur Klassifikation, ShapeNetPart zur Teilsegmentierung sowie ScanNetv2 und S3DIS zur Szenensegmentierung evaluiert, was die Robustheit des AM-GCN mit konkurrenzfähiger Leistung im Vergleich zu bestehenden Methoden demonstriert. Es ist erwähnenswert, dass es in vielen Kategorien eine Spitzenleistung erzielt.