這篇文章給大家介紹用于點(diǎn)云分析的自組織網(wǎng)絡(luò)SO-Net是怎樣的，內(nèi)容非常詳細(xì)，感興趣的小伙伴們可以參考借鑒，希望對(duì)大家能有所幫助。

網(wǎng)站制作、成都做網(wǎng)站,成都做網(wǎng)站公司-創(chuàng)新互聯(lián)已向上千多家企業(yè)提供了,網(wǎng)站設(shè)計(jì),網(wǎng)站制作,網(wǎng)絡(luò)營(yíng)銷(xiāo)等服務(wù)!設(shè)計(jì)與技術(shù)結(jié)合,多年網(wǎng)站推廣經(jīng)驗(yàn),合理的價(jià)格為您打造企業(yè)品質(zhì)網(wǎng)站。

Abstract

下面提出SO-Net，一種用于無(wú)序點(diǎn)云深度學(xué)習(xí)的置換不變網(wǎng)絡(luò)結(jié)構(gòu)。 SO-Net通過(guò)構(gòu)建自組織映射（SOM）來(lái)模擬點(diǎn)云的空間分布。基于SOM，SO-Net對(duì)單個(gè)點(diǎn)和SOM節(jié)點(diǎn)進(jìn)行分層特征提取，最終用單個(gè)特征向量來(lái)表示輸入點(diǎn)云。網(wǎng)絡(luò)的感受野可以通過(guò)進(jìn)行點(diǎn)對(duì)節(jié)點(diǎn)的KNN(k近鄰搜索)系統(tǒng)地調(diào)整。在識(shí)別點(diǎn)云重建，分類(lèi)，對(duì)象部分分割和形狀檢索等任務(wù)中，我們提出的網(wǎng)絡(luò)表現(xiàn)出的性能與最先進(jìn)的方法相似或更好。另外，由于所提出的架構(gòu)的并行性和簡(jiǎn)單性，所以訓(xùn)練速度比現(xiàn)有的點(diǎn)云識(shí)別網(wǎng)絡(luò)快得多。

Introduction

經(jīng)過(guò)多年的深入研究，卷積神經(jīng)網(wǎng)絡(luò)（ConvNets）現(xiàn)在成為許多最先進(jìn)的計(jì)算機(jī)視覺(jué)算法的基礎(chǔ)，例如，圖像識(shí)別，對(duì)象分類(lèi)和語(yǔ)義分割等。盡管ConvNets在二維圖像方面取得了巨大成功，但在3D數(shù)據(jù)上使用深度學(xué)習(xí)仍然是一個(gè)具有挑戰(zhàn)性的問(wèn)題。雖然3D卷積網(wǎng)絡(luò)（3D ConvNets）可以應(yīng)用于光柵化為體素表示的3D數(shù)據(jù)，但由于大多數(shù)3D數(shù)據(jù)的稀疏性，大多數(shù)計(jì)算都是冗余的。此外，不成熟的3D ConvNets的性能很大程度上受到分辨率的損失和呈指數(shù)級(jí)增長(zhǎng)的計(jì)算成本限制。同時(shí)，深度傳感器的加速發(fā)展以及自動(dòng)駕駛汽車(chē)等應(yīng)用的巨大需求使得高效處理3D數(shù)據(jù)成為當(dāng)務(wù)之急。包括ModelNet [37]，ShapeNet [8]，2D-3D-S [2]在內(nèi)的3D數(shù)據(jù)集的最新可用性增加了3D數(shù)據(jù)研究的普及。

為了避免簡(jiǎn)單體素化的缺點(diǎn)，一種選擇是明確利用體素網(wǎng)格的稀疏性[35,21,11]。雖然稀疏設(shè)計(jì)允許更高的網(wǎng)格分辨率，但其誘導(dǎo)的復(fù)雜性和局限性使其難以實(shí)現(xiàn)大規(guī)模或靈活的深度網(wǎng)絡(luò)[30]。另一種選擇是利用可伸縮索引結(jié)構(gòu)，包括kd-tree [4]，八叉樹(shù)[25]。基于這些結(jié)構(gòu)的深度網(wǎng)絡(luò)顯示出令人鼓舞的結(jié)果。與基于樹(shù)的結(jié)構(gòu)相比，點(diǎn)云表示在數(shù)學(xué)上更簡(jiǎn)潔和直接，因?yàn)槊總€(gè)點(diǎn)僅由3維向量表示。此外，借助運(yùn)動(dòng)結(jié)構(gòu)（SfM）算法，可以使用流行的傳感器（如RGB-D相機(jī)，LiDAR或常規(guī)相機(jī)）輕松獲取點(diǎn)云。盡管點(diǎn)云被廣泛使用，也能夠輕松獲取，但點(diǎn)云識(shí)別任務(wù)仍然具有挑戰(zhàn)性。傳統(tǒng)的深度學(xué)習(xí)方法如ConvNets不適用，因?yàn)辄c(diǎn)云在空間上是不規(guī)則的，并且可以任意排列。由于這些困難，很少有人嘗試將深度學(xué)習(xí)技術(shù)直接應(yīng)用到點(diǎn)云，直到最近的PointNet [26]。

盡管作為將深度學(xué)習(xí)應(yīng)用于點(diǎn)云的先驅(qū)，PointNet仍無(wú)法充分處理局部特征提取。后來(lái)PointNet++[28]被提出來(lái)通過(guò)構(gòu)建一個(gè)類(lèi)似金字塔的特征聚合方案來(lái)解決這個(gè)問(wèn)題，但[28]中的點(diǎn)采樣和分組策略并沒(méi)有揭示輸入點(diǎn)云的空間分布。Kd-Net [18]從輸入點(diǎn)云構(gòu)建kd樹(shù)，然后進(jìn)行從樹(shù)葉到根節(jié)點(diǎn)的分層特征提取。Kd-Net明確地利用點(diǎn)云的空間分布，但是仍然存在諸如感受野不重疊等限制。

在本文中，我們提出SO-Net來(lái)解決現(xiàn)有基于點(diǎn)云的網(wǎng)絡(luò)中的問(wèn)題。具體而言，建立SOM [19]來(lái)模擬輸入點(diǎn)云的空間分布，這使得在單獨(dú)的點(diǎn)和SOM節(jié)點(diǎn)上進(jìn)行分層特征提取成為可能。最終，輸入點(diǎn)云可以被壓縮成單個(gè)特征向量。在特征聚合過(guò)程中，通過(guò)在SOM上執(zhí)行點(diǎn)到節(jié)點(diǎn)的k-近鄰（KNN）搜索來(lái)控制感受野重疊。理論上，SO-Net通過(guò)特殊的網(wǎng)絡(luò)設(shè)計(jì)以及我們的置換不變SOM訓(xùn)練來(lái)保證對(duì)輸入點(diǎn)的順序保持不變。我們的SO-Net的應(yīng)用包括基于點(diǎn)云的分類(lèi)，自動(dòng)編碼器重建，零件分割和形狀檢索，如圖1所示。 

主要貢獻(xiàn)如下：

• 我們?cè)O(shè)計(jì)了置換不變網(wǎng)絡(luò) - 顯式利用點(diǎn)云空間分布的SO-Net。

• 通過(guò)在SOM上進(jìn)行點(diǎn)到節(jié)點(diǎn)的KNN搜索，可以系統(tǒng)地調(diào)整感受野重疊來(lái)執(zhí)行分層特征提取。

• 我們提出一種點(diǎn)云自動(dòng)編碼器作為預(yù)訓(xùn)練，以改善各種任務(wù)中的網(wǎng)絡(luò)性能。

• 與最先進(jìn)的方法相比，在各種應(yīng)用中獲得相似或更好的性能，并且訓(xùn)練速度顯著加快。

關(guān)于用于點(diǎn)云分析的自組織網(wǎng)絡(luò)SO-Net是怎樣的就分享到這里了，希望以上內(nèi)容可以對(duì)大家有一定的幫助，可以學(xué)到更多知識(shí)。如果覺(jué)得文章不錯(cuò)，可以把它分享出去讓更多的人看到。

新聞標(biāo)題：用于點(diǎn)云分析的自組織網(wǎng)絡(luò)SO-Net是怎樣的
路徑分享：http://chinadenli.net/article0/gojoio.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供定制網(wǎng)站、網(wǎng)站收錄、營(yíng)銷(xiāo)型網(wǎng)站建設(shè)、品牌網(wǎng)站建設(shè)、標(biāo)簽優(yōu)化、靜態(tài)網(wǎng)站

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶(hù)投稿、用戶(hù)轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請(qǐng)盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng)，如需處理請(qǐng)聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時(shí)需注明來(lái)源： 創(chuàng)新互聯(lián)