摘要

点云分析非常具有挑战性，因为不规则点所隐含的形状难以捕捉。在本文中，我们提出了一种名为RS-CNN（Relation-Shape Convolutional Neural Network，关系形状卷积神经网络）的方法，该方法将常规网格CNN扩展到不规则配置以进行点云分析。RS-CNN的关键在于从关系中学习，即点之间的几何拓扑约束。具体而言，局部点集的卷积权重被强制从预定义的几何先验中学习高层次的关系表达，即从该点集中采样出的一个点与其他点之间的关系。通过这种方式，可以得到一种带有显式空间布局推理的归纳局部表示，从而实现更高的形状感知能力和鲁棒性。基于这种卷积作为基本操作符，RS-CNN可以构建一个分层架构，以实现上下文感知的形状学习用于点云分析。广泛的实验在三个任务上的具有挑战性的基准数据集上验证了RS-CNN达到了当前最先进的水平。