コード：https://github.com/Yochengliu/Relation-Shape-CNN
文章：点群の分析のためのリレーションシェイプ畳み込みニューラルネットワーク[arXivの] [CVF]
本論文では、CVPR 2019オーラル＆ベストペーパーファイナリストであります
アブストラクト＆はじめに
暗黙のポイントの不規則な形状に起因する点群で、キャプチャすることは困難で、分析の曇点は非常に困難であるように。本稿では、著者らが提案したRS-CNNのためのクラウドデータを指し、すなわちリレーションシェイプ畳み込みニューラルネットワーク、核となるアイデアは、点群ジオメトリトポロジー関係情報から学ぶことです。複数のデータセットにおけるRS-CNNは、SOTAのパフォーマンスを行いました。
次のように主要な貢献は以下のとおりです。
畳み込み演算子の関係関係の形状のコンボリューションから小説研究。これは、明示的に大きく形状と堅牢性の知覚を改善する符号化の形状を指すことができます。単純である、RS-CONVが
、つまり、深い階層は関係畳み込み形状をしているRS-CNNを作りました。CNNは、ポイントクラウドのコンテキストが知覚学習を整形し、規則的なグリッド不規則な構成に拡張されます。単に、RS-CNNベースのRS-コンベンション設計されて
3つの挑戦的なベンチマーク豊富な実験と理論解析のタスクとの深い経験で、実績のあるRS-CNNは、SOTAのレベルに達しました。単に優れた効果を高精度（modelnet40 93.6）であり、
形状表現アウェア学習
まず、一般的な畳み込み式の誘導
\ [F_（P_（サブ） ）= \シグマ（（{T（f_x_j）は、 \ FORALL X - jが\でN（X_I
）}））、N（X_I）= {X - jが\ミッドD（X_I、X - jが）<R} \] 2D（すなわち、画像）において、
これは、活性化関数のための和を表し、
その
