Punktkonvolutionale Neuronale Netzwerke durch Erweiterungsoperatoren

Dieser Artikel präsentiert punktkonvolutionale neuronale Netzwerke (PCNN): ein neuartiges Framework zur Anwendung konvolutionaler neuronaler Netzwerke auf Punktwolken. Das Framework besteht aus zwei Operatoren: Erweiterung und Einschränkung, die Punktwolkenfunktionen auf volumetrische Funktionen und umgekehrt abbilden. Eine Punktwolkenkonvolution wird durch den Rückgang der euklidischen volumetrischen Konvolution über einen Erweiterungs-Einschränkungsmechanismus definiert. Die Punktwolkenkonvolution ist recheneffizient, invariant gegenüber der Reihenfolge der Punkte in der Punktwolke, robust gegenüber unterschiedlichen Abtastungen und variierenden Dichten und translation invariant, d.h. dass derselbe Konvolutionskernel an allen Punkten verwendet wird. PCNN verallgemeinert Bild-CNNs und ermöglicht eine einfache Anpassung ihrer Architekturen an die Punktwolkenumgebung. Die Bewertung von PCNN auf drei zentralen Benchmark-Datensätzen für das Lernen aus Punktwolken übertrifft überzeugend konkurrierende Methoden des Lernens aus Punktwolken, und die überwiegende Mehrheit der Methoden, die mit informationsreicheren Formdarstellungen wie Flächen und/oder Normalen arbeiten.