标题:PointRNN: Point Recurrent Neural Network for Moving Point Cloud Processing
作者:Hehe Fan, Yi Yang ( University of Technology Sydney )
来源:arxiv2019
论文链接:https://arxiv.org/pdf/1910.08287.pdf
代码链接:https://github.com/hehefan/PointRNN
本文介绍了一种用于移动点云处理的点云递归神经网络(PointRNN)。在每个时刻t,PointRNN以带坐标的点云P(n*3)及其特征X(n*d)作为输入(n和d分别表示点的数量和特征通道的数量)。PointRNN的状态由点云坐标P和点云状态S(n*d’)(d’表示状态通道的数量)。同样,PointRNN的输出由P和新的点云特征组成Y(n*d”)(d”表示新的特征通道的数量)。由于点云是无序的,因此点云特征和两个时刻的状态不能直接操作。因此,基于点云的时空局部相关采用点云坐标来聚合点云特征和状态。我们进一步提出了两种变体的PointRNN网络,即点门控递归单元网络(PointGRU)以及点云长短期记忆网络(PointLSTM)。我们将PointRNN、PointGRU和PointLSTM应用于移动点云预测中,旨在预测给定历史运动的集合中的点云的未来轨迹。实验结果表明,PointRNN、PointGRU和PointLSTM能够对合成数据集和真实数据集做出正确的预测,证明了在点云序列建模上的可行性。代码已经开源在:https://github.com/hehefan/PointRNN