Mapas de Saliência de Nuvem de Pontos

O reconhecimento de nuvens de pontos 3D com PointNet e suas variantes teve um progresso notável. Um ingrediente que falta, no entanto, é a capacidade de avaliar automaticamente a importância pontual em relação ao desempenho de classificação, o que normalmente é refletido por um mapa de saliência. Um mapa de saliência é uma ferramenta importante, pois permite realizar processos adicionais em dados de nuvem de pontos. Neste artigo, propomos uma nova maneira de caracterizar pontos e segmentos críticos para construir mapas de saliência de nuvem de pontos. Nosso método atribui a cada ponto uma pontuação refletindo sua contribuição para a perda de reconhecimento do modelo. O mapa de saliência explica explicitamente quais pontos são fundamentais para o reconhecimento do modelo. Além disso, agregações de pontos altamente pontuados indicam segmentos/subconjuntos importantes em uma nuvem de pontos. Nossa motivação para construir um mapa de saliência é por meio da remoção de pontos, que é um operador não diferenciável. Para superar essa questão, aproximamos a remoção de pontos com um procedimento diferenciável de deslocamento de pontos em direção ao centróide da nuvem. Consequentemente, cada pontuação de saliência pode ser medida de forma eficiente pelo gradiente correspondente da perda em relação ao ponto sob as coordenadas esféricas. Avaliações extensivas em vários modelos de reconhecimento de nuvem de pontos de última geração, incluindo PointNet, PointNet++ e DGCNN, demonstram a veracidade e a generalidade do nosso mapa de saliência proposto. O código para os experimentos foi liberado em https://github.com/tianzheng4/Point-Cloud-Saliency-Maps.