arXiv2019 | 悉尼科技大学提出点云递归神经网络PointRNN，用于运动点云处理，代码已开源

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

• 摘要：

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

• 网络框架

• 摘要原文：