【论文研读】A Network Architecture for Point Cloud Classification via Automatic Depth Images Generation
论文 ：A Network Architecture for Point Cloud Classification via Automatic Depth Images Generation(cvpr2018)
Autuor ： Riccardo Roveri, Lukas Rahmann, A. Cengiz Oztireli, Markus Gross1
1苏黎世联邦理工学院 ¨
2Disney Research Zurich ¨
核心：
将点云数据转化为一系列的2D深度图片，再通过CNNs完成分类
2D图像的方向的学习是无监督的
network architecture
三个模型一起训练，第一二个模型没有loss
一、predicts K direction vectors
目的：估计K个camera-pose matrices
方法：1、通过K个分离的PointNet的架构，modifying the final fully connected layer to produce a 6D vector。
2、将点云数据与每个camera-pose matrices相乘得到K个旋转后的点云数据
3、旋转后，x，y为2Dimage坐标，z为深度
二、generates the depth images
方法：apply a bilateral-filering-like interpolation
具体步骤：1、对每个像素点c，得到一个集合
，代表所有离c足够近的点（阈值人工设置）
2、对每个像素点c，得到maxD=
中深度最深的值
3、得到集合P''(c)= {p ∈ P| |maxD(c) − pz| < δ2}，深度在一定范围内的点集
4、对每个像素点c，使用Gaussian interpolation得到f(c)
5、对于有K个点的点云样本，得到深度图
三、使用K张图片来分类
方法：utilize K ResNet50 architectures that share variables
网络构架：1、K个ResNet50后加一个max pooling，再regressing to a dense layer
2、pre-trained on ImageNet
Results
dataset：modelnet40
