[论文解读] PCEDNet : A Neural Network for Fast and Efficient Edge Detection in 3D Point Clouds.

Chems-Eddine Himeur, Thibault Lejemble+4 more|arXiv (Cornell University)|Nov 3, 2020

3D Shape Modeling and Analysis被引用 4

一句话总结

本文提出PCEDNet，一种紧凑的神经网络，通过尺度空间矩阵（SSM）编码三维点云中每个点周围的多尺度微分几何特征，实现快速且精确的边缘检测。该方法在训练速度、推理时间与分类准确率方面优于标准CNN，在少量训练数据下即可实现每秒处理数百万个点。

ABSTRACT

In recent years, Convolutional Neural Networks (CNN) have proven to be efficient analysis tools for processing point clouds, e.g., for reconstruction, segmentation and classification. In this paper, we focus on the classification of edges in point clouds, where both edges and their surrounding are described. We propose a new parameterization adding to each point a set of differential information on its surrounding shape reconstructed at different scales. These parameters, stored in a Scale-Space Matrix (SSM), provide a well suited information from which an adequate neural network can learn the description of edges and use it to efficiently detect them in acquired point clouds. After successfully applying a multi-scale CNN on SSMs for the efficient classification of edges and their neighborhood, we propose a new neural network architecture outperforming the CNN in learning time, processing time and classification capabilities. Our architecture is compact, requires small learning sets, is very fast to train and classifies millions of points in seconds.

研究动机与目标

• 为解决由于数据结构不规则和噪声导致的三维点云中高效且精确的边缘检测挑战。
• 通过减少训练和推理时间，同时保持或提升分类性能，改进现有的基于CNN的方法。
• 开发一种紧凑的神经网络架构，仅需少量训练数据即可实现对多样化点云数据的良好泛化能力。
• 利用多尺度微分信息编码每个点周围的局部几何结构，实现鲁棒的边缘表征。

提出的方法

• 该方法引入尺度空间矩阵（SSM），用于捕捉每个点周围多尺度的微分几何特征（如曲率和法向变化）。
• 每个点通过在不同尺度下进行局部形状重建，获得SSM特征，从而编码边缘与邻域信息。
• 设计了一种新颖的神经网络架构PCEDNet，以高效处理SSM，利用层次化特征学习实现边缘分类。
• 在带有边缘标注的点云数据上，采用端到端的监督学习设置对网络进行训练。
• 该架构针对速度和参数效率进行了优化，可在大规模点云上实现实时推理。
• 该方法采用多尺度卷积设计，处理SSM以检测边缘，同时保持空间上下文信息。

实验结果

研究问题

• RQ1 在尺度空间矩阵中编码的多尺度几何表征是否能提升三维点云中边缘检测的准确性？
• RQ2 PCEDNet的架构在训练时间、推理速度和分类性能方面与标准CNN相比如何？
• RQ3 紧凑的神经网络在有限训练数据下能达到多高的边缘检测准确率？
• RQ4 在多尺度下集成微分几何特征是否能增强边缘检测在噪声和不规则采样下的鲁棒性？

主要发现

• PCEDNet相比标准CNN具有更快的训练和推理速度，可在数秒内处理数百万个点。
• 该网络在使用极少训练数据的情况下，对边缘及其周围区域表现出卓越的分类准确率。
• 尺度空间矩阵（SSM）有效编码了多尺度几何特征，使网络能够学习到丰富且上下文感知的表征。
• PCEDNet的紧凑架构显著减少了参数数量，同时保持高性能，适用于实时应用。
• 该方法在点云边缘检测任务中，无论是学习速度还是分类能力，均优于标准CNN。
• 在多尺度下使用微分几何特征显著提升了边缘检测在多样化点云数据集上的鲁棒性。