PointNet: Глубокое обучение на множествах точек для 3D-классификации и сегментации
PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation
2016-12-02
SCID: 54.1/9pj4f3k3
Discuss with AI
3D классификацияPointNetсегментация частейинвариантность к перестановкеоблако точексемантический разбор сцены
Figures from the paper
Abstract (AI)
Облако точек является важным типом геометрической структуры данных. Из-за его нерегулярного формата большинство исследователей преобразуют такие данные в регулярные 3D-воксельные сетки или наборы изображений. Это, однако, делает данные излишне объёмными и создаёт проблемы. В данной статье мы разрабатываем новый тип нейронной сети, который непосредственно потребляет облака точек и корректно учитывает инвариантность относительно перестановки точек во входе. Наша сеть, названная PointNet, предлагает единую архитектуру для приложений, варьирующихся от классификации объектов и сегментации частей до семантического парсинга сцены. Хотя она проста, PointNet отличается высокой эффективностью и результативностью. В эмпирических экспериментах она демонстрирует сильные показатели, сопоставимые или даже превосходящие современные методы. Теоретически мы приводим анализ, направленный на понимание того, чему сеть научилась и почему она устойчива к возмущениям и повреждениям входных данных.
Key Findings
1
PointNet — новая архитектура нейронной сети, которая напрямую обрабатывает исходные облака точек без преобразования в воксели или изображения.
2
PointNet является высокоэффективным и эмпирически демонстрирует сильные результаты, сравнимые или превосходящие передовые методы.
3
PointNet предоставляет унифицированную архитектуру, применимую к классификации объектов, сегментации частей и семантическому разбору сцен.
4
PointNet учитывает инвариантность перестановки входных точек, обеспечивая корректную обработку независимо от порядка точек.
5
Авторы приводят теоретический анализ, объясняющий, что изучает PointNet и почему он устойчив к возмущениям и повреждениям входа.
Research Object
Облачения точек (неупорядоченные множества 3D-точек)
Research Subject
Нейронная сеть (PointNet), непосредственно работающая с облаками точек с учётом инвариантности к перестановке, её производительность и устойчивость для 3D-классификации объектов, сегментации частей и семантического парсинга сцен
Publication Details
Publication Date
2016-12-02
Journal
Publisher
ISSN
Cited by
3273
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai1
Работы, цитирующие эту статью8
Глубокое обучение для универсального обнаружения объектов: обзор2019
Сверточные графовые сети: всесторонний обзор2019
Технологии сенсоров и слияния сенсорных данных в автономных транспортных средствах: обзор2021
Сопоставление изображений от ручных признаков к глубоким: обзор2020
Всесторонний обзор литературы по применению методов искусственного интеллекта на протяжении жизненного цикла промышленного оборудования2023
Перенос обучения от синтетических к реальным LiDAR-точечным облакам для семантической сегментации2022
Геопространственный искусственный интеллект: потенциал машинного обучения для 3D-точечных облаков и геопространственных цифровых двойников2020
Обзор технологий лазерного сканирования и их применения для мониторинга автомобильной и железнодорожной инфраструктуры2019