原創(chuàng) | 文 BFT機(jī)器人

01

背景

點(diǎn)云是由大量的點(diǎn)組成的三維數(shù)據(jù)集，通常由激光雷達(dá)或攝像機(jī)等傳感器采集。點(diǎn)云數(shù)據(jù)處理是計(jì)算機(jī)視覺和機(jī)器學(xué)習(xí)領(lǐng)域的重要研究方向，應(yīng)用廣泛，例如自動(dòng)駕駛、機(jī)器人導(dǎo)航、三維建模等。然而，點(diǎn)云數(shù)據(jù)通常存在噪聲、異常值和不規(guī)則采樣等問題，這些問題會(huì)影響點(diǎn)云數(shù)據(jù)的質(zhì)量和準(zhǔn)確性。

02

創(chuàng)新點(diǎn)

本論文的創(chuàng)新點(diǎn)主要有三個(gè)方面：

1）提出了一種端到端的模型PointASNL，用于處理帶有噪聲或異常值的點(diǎn)云數(shù)據(jù)；

2）引入了自適應(yīng)采樣（AS）模塊可以自適應(yīng)地調(diào)整初始采樣點(diǎn)的坐標(biāo)，使其更適合具有內(nèi)在幾何特征的特征學(xué)習(xí)，并且對于噪聲異常值更加魯棒；

3）在局部-非局部（L-NL）模塊中設(shè)計(jì)了點(diǎn)非局部單元，增強(qiáng)了點(diǎn)局部單元中的特征學(xué)習(xí)。這些創(chuàng)新點(diǎn)使得PointASNL在點(diǎn)云分類和分割任務(wù)中具有更好的魯棒性和性能。

03

算法介紹

PointASNL算法主要分為兩個(gè)部分：自適應(yīng)采樣（AS）模塊和局部-非局部（L-NL）模塊。在AS模塊中，首先從原始點(diǎn)云中隨機(jī)選擇一組采樣點(diǎn)，然后通過自適應(yīng)采樣策略調(diào)整采樣點(diǎn)的位置，以便更好地捕獲點(diǎn)云的內(nèi)在幾何特征。

具體來說，AS模塊使用可微分的采樣策略，通過最小化采樣點(diǎn)之間的距離和最大化采樣點(diǎn)與原始點(diǎn)云之間的距離來調(diào)整采樣點(diǎn)的位置。在L-NL模塊中，首先使用k-最近鄰算法查詢每個(gè)采樣點(diǎn)的局部鄰域，然后使用點(diǎn)非局部單元來捕獲采樣點(diǎn)的非局部依賴性。

點(diǎn)非局部單元使用基于圖的學(xué)習(xí)或定義類似于卷積的操作來捕獲采樣點(diǎn)的非局部依賴性。最后，L-NL模塊將局部和非局部依賴性結(jié)合起來，生成最終的特征表示。在分類任務(wù)中，PointASNL使用全連接層、dropout和softmax層來生成預(yù)測結(jié)果。

在分割任務(wù)中，PointASNL使用編碼器-解碼器結(jié)構(gòu)，其中編碼器使用AS和L-NL模塊來提取特征，解碼器使用最近鄰插值來獲取上采樣的特征，并使用L-NL塊進(jìn)行更好的特征學(xué)習(xí)。

PointASNL中的自適應(yīng)采樣（AS）模塊通過重新加權(quán)最遠(yuǎn)點(diǎn)采樣（FPS）周圍的鄰居，然后自適應(yīng)地調(diào)整整個(gè)點(diǎn)云中采樣點(diǎn)的位置，以處理帶有噪聲或異常值的點(diǎn)云。

這種可微分的采樣策略可以微調(diào)采樣點(diǎn)的空間分布，從而大大提高網(wǎng)絡(luò)的魯棒性。

PointASNL可以應(yīng)用于室內(nèi)和室外點(diǎn)云數(shù)據(jù)。該論文指出，廣泛的實(shí)驗(yàn)驗(yàn)證了他們的方法在點(diǎn)云處理任務(wù)中的魯棒性和優(yōu)越性，無論是合成數(shù)據(jù)、室內(nèi)數(shù)據(jù)還是室外數(shù)據(jù)，都可以處理帶有或不帶有噪聲的數(shù)據(jù)。

04

實(shí)驗(yàn)

本論文的實(shí)驗(yàn)過程主要包括兩個(gè)任務(wù)：點(diǎn)云分類和點(diǎn)云分割。

在點(diǎn)云分類任務(wù)中，作者使用了ModelNet10和ModelNet40數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，對比了PointASNL算法和其他經(jīng)典算法的性能，并分析了自適應(yīng)采樣和局部-非局部模塊的有效性。

在點(diǎn)云分割任務(wù)中，作者使用了S3DIS和Semantic3D數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，對比了PointASNL算法和其他經(jīng)典算法的性能，并分析了自適應(yīng)采樣和局部-非局部模塊的有效性。

05

結(jié)論

本論文提出的PointASNL算法在點(diǎn)云分類和點(diǎn)云分割任務(wù)中具有更好的性能和魯棒性。PointASNL算法通過自適應(yīng)采樣和局部-非局部模塊來提高點(diǎn)云處理的魯棒性和性能。

自適應(yīng)采樣模塊可以自適應(yīng)地調(diào)整初始采樣點(diǎn)的坐標(biāo)，使其更適合具有內(nèi)在幾何特征的特征學(xué)習(xí)，并且對于噪聲異常值更加魯棒。

局部-非局部模塊可以捕獲采樣點(diǎn)的局部和非局部依賴性，從而提高了網(wǎng)絡(luò)的性能。實(shí)驗(yàn)結(jié)果表明，PointASNL算法在點(diǎn)云分類和點(diǎn)云分割任務(wù)中具有更好的性能和魯棒性，可以作為點(diǎn)云處理領(lǐng)域的一種有效算法。

作者?| Azukii

排版 |?居居手

更多精彩內(nèi)容請關(guān)注公眾號(hào)：BFT機(jī)器人

本文為原創(chuàng)文章，版權(quán)歸BFT機(jī)器人所有，如需轉(zhuǎn)載請與我們聯(lián)系。若您對該文章內(nèi)容有任何疑問，請與我們聯(lián)系，將及時(shí)回應(yīng)。