شبكة ديناميكية بيانية مترافقة للتعلم على سحب النقاط

توفر سحب النقاط تمثيلاً هندسياً مرناً مناسباً للعديد من التطبيقات في الرسوميات الحاسوبية؛ كما أنها تشكل المخرجات الأولية لمعظم أجهزة جمع بيانات الثلاثي الأبعاد. على الرغم من اقتراح ميزات مصممة يدوياً على سحب النقاط منذ وقت طويل في مجالي الرسوميات والرؤية، إلا أن النجاح الساحق مؤخراً للشبكات العصبية التفافية (CNNs) لتحليل الصور يوحي بقيمة تكييف الأفكار المستمدة من CNN لعالم سحب النقاط. تفتقر سحب النقاط جوهرياً للمعلومات الطوبولوجية، لذلك فإن تصميم نموذج لاستعادة الطوبولوجيا يمكن أن يعزز قدرة التمثيل لسحب النقاط. لذلك، نقترح وحدة شبكة عصبية جديدة تسمى EdgeConv مناسبة للمهام عالية المستوى المعتمدة على CNN على سحب النقاط، بما في ذلك التصنيف والتقسيم. تعمل EdgeConv على الرسوميات التي تُحسب ديناميكياً في كل طبقة من الشبكة. وهي قابلة للاشتقاق ويمكن إدراجها في البنى القائمة. بالمقارنة مع الوحدات الموجودة التي تعمل في الفضاء الخارجي أو التي تعامل كل نقطة بشكل مستقل، فإن EdgeConv لها عدة خصائص جذابة: فهي تدمج معلومات الجوار المحلي؛ ويمكن تكديسها وتطبيقها لتعلم خصائص الشكل العالمية؛ وفي أنظمة متعددة الطبقات، تلتقط الألفة في فضاء الميزات الخصائص الدلالية عبر مسافات محتملة طويلة في التضمين الأصلي. نُظهر أداء نموذجنا على المعايير القياسية، بما في ذلك ModelNet40، ShapeNetPart، وS3DIS.