摘要

深度神经网络在各种视觉任务中取得了显著的成功，然而将卷积神经网络（CNNs）应用于缺乏规则底层结构的领域（如3D点云）仍然具有挑战性。为此，我们提出了一种新颖的卷积架构，称为SpiderCNN，以高效地从点云中提取几何特征。SpiderCNN由称为SpiderConv的单元组成，这些单元通过参数化一组卷积滤波器，将卷积操作从规则网格扩展到可以嵌入R^n中的不规则点集。我们将滤波器设计为一个简单步进函数与泰勒多项式的乘积形式，其中步进函数用于捕捉局部测地线信息，而泰勒多项式则确保了模型的表达能力。SpiderCNN继承了经典CNNs的多尺度层次结构，这使得它能够提取语义深层特征。在ModelNet40上的实验表明，SpiderCNN在标准基准测试中达到了92.4%的最先进准确率，并在分割任务上表现出竞争力。